,.

ÁLGEBRA LINEAL
SEGUNDA EDICIÓN

SrANLEY l.
GROSSMAN
University of Montana
Coordinador de la traducción:
M. en C. Sergio Vargas Galindo
Traductores:
Dr. José Luis Farah
M. en C. Javier Alagón Cano
Mat. Carlos Muñoz Abogado
Mat. Jesús Noriega Rivero
lnst'1tuto Tecnológico Autónomo de México (ITAM)
Revisor Técnico:
lng. Francisco Paniagua Bocanegra
Universidad Nacional Autónoma de México (UNAM)

Grupo FA#orial Iberoamérica ~

Río Atoyac No. 32 - 06500 Mexico, D.F. - Tels. 2113128, 5530798 ~
 A Kerstin, Erik y Aaron

ÁLGEBRA LINEAL Segunda edición

m

Versión en español de la obra Elementary Linear Algebra -

Third Edition, por Stanley I. Grossman.
Edición original en inglés publicada por Wadsworth, Inc.,
Copyright © 1987, en Estados Unidos de América.
ISBN 0-534-07422-7
D.R. © 1988 por Grupo Editorial lberoamérica, S.A. de C.V. y/o
Wadsworth Internacional/Iberoamérica, Belmont, California 94002.
Ninguna parte de este libro puede ser reproducida, archivada o transmitida
en forma alguna o mediante algún sistema, ya sea electrónico, mecánico,
de fotorreproducción, de almacenamiento en memoria o cualquier otro,
sin el previo y expreso permiso por escrito de Grupo Editorial Iberoamérica y/o
Wadsworth Internacional/lberoamérica, división de Wadsworth, lnc.

ISBN 968-7270-39-X
Impreso en México

Editor: Nicolás Grepe P.

Productor: Oswaldo Ortiz R.
Cubierta: Louis Neiheisel

Grupo Editorial Iberoamérica, S.A. de C.V.

Río Atoyac No. 32 - Col. Cuauhtémoc - 06500 México, D.F.
Apdo. 5-192 - Tels. 2113128, 5530798
Reg. CNIEM 1382
Hasta hace unos veinte años, sólo estudiaban Álgebra Lineal los estudiantes
con graduación en matemáticas y física y quienes, por trabajar en áreas corno
la estadística matemática de varias variables, necesitaban poseer conocimientos
de teoría de matrices. Ahora se estudia Álgebra Lineal en una amplia gama
de disciplinas debido a la presencia de las computadoras de alta velocidad y
al desarrollo en la aplicación de las matemáticas en áreas tradicionalmente no
técnicas.
Al escribir este texto tuve presentes dos objetivos. Traté de hacer que un
amplio ternario de Álgebra Lineal fuera accesible a una amplia variedad de estu-
diantes que necesitaban sólo conocimientos básicos de álgebra de bachillerato.
Corno muchos estudiantes ya habrían cursado un año de cálculo, he incluido
también muchos ejemplos de esta materia, los cuales se indican con el símbolo
O. Una sección Sección 6. 7) del pero éste no es
indispensable.
Mi segundo objetivo fue convencer a los estudiantes de la
Lineal para sus campos de estudio. De modo que, '"'"1-'"''"'H"'''u'"'"''"
los primeros capítulos, los ejemplos se tomaron de una diversidad de r1"''"'"''"""c
Tales ejemplos son necesariamente breves pero del mundo de
las matemáticas. Ejemplos más detallados extensos pueden encontrarse en
la obra complementaria Aplicaciones de Lineal.
En este texto utilicé un planteamiento gradual. Los 1 y 2 con-
tienen material analítico básico común a la mayoría de los textos elementales
de Álgebra Lineal. El Capítulo 1 analiza vectores, matrices y sistemas de ecua-
ciones lineales, mientras el Capítulo 2 constituye una introducción a los deter-
minantes.
Sin embargo, aún en estos primeros capítulos secciones VIJ'~'~'U"','"'"
tienen el de más avanzado a los estudiantes. Por
la Sección 1.11 contiene inversas unilaterales de matrices no cuadradas;
en la Sección 2.3 se una demostración de que detAB =
PRÓLOGO
Prólogo

det Á det B. La de este resultado ..... ,,,,,r,,,,,

característicos Los números no se evitan en este libro.
tales, generalmente no se
Para los alumnos que no los han estudiado antes, las pocas que
Una característica del texto es la aparición frecuente del Teorema necesitan se describen en el 2.
Resumen, que establece puntos de unión entre temas dispares en el estudio En estos tiempos de calculadoras y computadoras al alcance de todos, es
de matrices y transformaciones lineales. El Teorema aparece por vez importante describir en un texto de álgebra lineal cómo se hacen los cálculos
en la Sección 1.2. Versiones más completas tienen en las Secciones 1.8, 1.10, en la "vida real". En los primeros capítulos muchos cálculos se hicieron con
4.4, 4.7, 5.4 y 6.L
calculadora. El 7 contiene una introducción a varias técnicas numé-
El Capítulo 3 analiza vectores en el plano y en el espacio. Muchos de los ricas utilizadas para resolver sistemas de ecuaciones y determinar valores y vec-
temas de ~ste capítulo se cubren en una secuencia de cálculo. Puesto que gran tores característicos. La Sección 7 .1 analiza algunos de los problemas que
parte del Algebra Lineal trata de vectoriales los estudiantes surgir cuando se resuelven problemas por computadora. Las técnicas expuestas
necesitan una buena provisión de concretos, más fácilmente propor- en las Secciones 7 .1, 7 .2 y 7 .3 pueden estudiarse en momento
cionados por el estudio de vectores en y en el espacio. Los ~~ .... A..,..,.H_,.., del Capítulo 1. El de la Sección 7 .4 al cálculo de valores
4 Y 5 que contienen temas más difíciles y abstractos se ilustran con ejemplos y vectores utiliza material presentado en la Sección 6.1.
tomados del muy concreto 3.
Este libro contiene dos -uno sobre inducción matemática y otro
El Capítulo 4 contiene una introducción a los espacios vectoriales generales, acerca de los números complejos. de las demostraciones dadas en él
Y es necesariamente más abstracto que los que lo anteceden. utilizan inducción y para los estudiantes que no han este
si.n embargo, de presentar el material como una extensión natural de las pro- importante método, el 1 les proporciona una breve introducción.
piedades de los vectores en el -que es realmente como evoluciona el tema. Ahora una sobre la recíproca de los El libro
Al final del 4 se agrega una sección optativa en la cual demuestro que ..,,..~,~~u-·~·, cada capítulo depende del con dos
todo espacio vectorial tiene una base. En este proceso se analizan los -~AA··- .. ·~~.., ser cubierto sin referirse a mucho del material
parcialmente ordenados y el lema de Zorn. Este material es necesariamente más del 5. El puede ser tratado del 1.
abstracto que otro del libro y puede ser omitido. Sin creo Por otra parte, las secciones marcadas "opcional" se pueden omitir sin
firmemente que así como el Álgebra Lineal se considera como el primer curso de continuidad.
de matemáticas en el cual las demostraciones son tan importantes como los cál- En mi opinión, la parte más importante de cualquier texto de matemá-
culos, la demostración de este resultado fundamental debe ponerse al alcance ticas elementales es el uso de ejemplos o problemas. Considero haber aprendido
de los estudiantes más motivados.
mucho de álgebra lineal resolviendo problemas, y creo que esto se verifica
En el Capítulo 5 continúa la discusión comenzada en el Capítulo 4 con una también para la mayoría de los estudiantes. Así, en muchas secciones he incluido
introducción a las transformaciones lineales de un espacio vectorial a otro. tantos ejemplos como sea razonable, seguidos por un buen número de problemas
El capítulo comienza con dos ejemplos que muestran cómo tales transforma- de ejercicios y otros de naturaleza más teórica. Son complementados por
ciones pueden surgir de manera natural.
cicios de repaso al final de cada capítulo. Los problemas más difíciles están
El Capítulo 6 describe la teoría de los valores y los vectores característicos marcados con una estrella y unos pocos excepcionalmente difíciles con dos
(o propios). Su introducción se localiza en la Sección 6.1 y una
lógica detallada se da en la Sección 6.2. En las Secciones
bio-
6.4 y 6.5 inter-
(* Las). respuestas de los problemas de número impar, demostra-
en la de una mientras que la Sección 6.6 ilus~ aparecen al final del libro. Las respuestas a los de número
tra, en unos cuantos casos, cómo ser reducida una matriz a una forma par pueden obtenerse en un suplemento especial dirigiéndose al editor.
canónica de Jordan. En la Sección 6.8 presento dos de mis resultados favoritos La numeración en el libro es la usual. Dentro de cada sección, los
de la teoría de matrices: el teorema de y el teorema del Círculo
teoremas y ecuaciones están numerados consecutivamente a
de Gershgorin. El escasamente discutido en un texto de Lineal del 1. La referencia a un problema, teorema o ecuación fuera de la
elemental, proporciona una manera más fácil de estimar los valores caracterís- sección en la cual aparece, se formula por capítulo, sección y número. el
ticos de cualquier matriz.
4 de la Sección 2.5 se menciona 4 en tal
En este Capítulo 6, tuve que tomar una difícil decisión: analizar los valores pero fuera de la misma se refiere como Ejemplo 2.5.4.
Y vectores característicos o no hacerlo. Decidí incluirlos porque me
pareció lo más indicado. Algunas de las matrices más "atractivas" tienen valores
característicos complejos. Definir un valor característico como un número real
solamente, puede hacer que las cosas parezcan más simples, pero esto cierta-
mente es erróneo. Más aún, en muchas aplicaciones concernientes a los valores Durante los siete años en que estuvieron publicadas las dos ediciones anteriores
característicos (incluyendo parte del material de la Sección los modelos más de Álgebra Lineal muchos lectores enviaron sus críticas y Más aún,
interesantes dan por resultado fenómenos y éstos valores
algunas personas partes del manuscrito de la tercera edición y
 Prólogo

X PRÓLOGO

algunas formas de hacer el texto más accesible a los estudiantes. Por ello, he
hecho un gran número de pequeños cambios que facilitarán la lectura de este William Jacob
libro. John Chapman
Southwestern University Oregon State University
u na de las críticas a la segunda edición fue la de que había una brecha muy
grande entre el material analítico operacional de la primera parte del libro, y R. Bruce Lind
Thomas D. Forrest University of Puget Sound
el material mucho más teórico que le seguía. Para no interrumpir la continuidad
Middle Tennessee
en el nivel del libro, he efectuado varios cambios notables incluyendo los Bryan Smith
State University
siguientes: of Puget Sound
• Los sistemas ecuaciones y matrices aparecen ahora en un sólo capítulo. Henry Helson R. Van Enkevort
Algún material redundante fue eliminado. University of California, of Puget Sound
Berkeley
• Las matrices elementales se presentan en la nueva Sección 1.10.

• En la Sección 1.11 se ha añadido una descripción de inversas unilaterales para

matrices no cuadradas. Las nociones de mapeo o representación uno a uno
y sobre se esbozan aquí.
Graham A. Cham bers
p. A. Binding ~ .. ·~-c"r" of Alberta
• Una demostración completa de det AB det A det B aparece ahora en la University of Calgary
Sección 2.3.
Ronald JLJA'-H . . . . ,...,-~
Joseph M. Cavanaugh
St. Louis '--'Vª"'"~''AA
• El contenido del Capítulo 3 (o sea el Capítulo 4 de la segunda edición) pro- East Stroudsburg State
porciona un resumen de geometría vectorial en IR 2 y IR 3 . Este capítulo ha sido John Sawka
Louis Florence
"flexibilizado" de modo que puede servir en dos formas: como de repaso University of Santa Clara
University of Toronto
para estudiantes que ya conocen el material por un curso de cálculo de varias
variables, y como una breve introducción para aquellos estudiantes que no Keith Stumpff
Eugene Johnson
han tomado tal curso. Central Missouri State
University of Iowa

• En uno u otro casos el tema puede ser estudiado rápidamente para dar más
tiempo al profesor en la exposición de los temas de vectorial que
siguen. Revisores de la
Barbara Ann Greim
La demostración de que todo vectorial tiene una base se halla en la Donald F. Bailey ,__ .... ~-·"''"" of North Carolina
Sección 4.12. Cornell College

Richard W. Ball
Auburn University

muy agradecido con muchas personas cuya ayuda recibí durante el Sandra A. Bollinger
en que escribí este libro. Recibí una gran colaboración en la elaboración de pro- Longwood College David
blemas y conjuntos solución de parte de Robert Hollister, estudiante de pos- Indiana State
de la Universidad de Montana, y de Robert Osterheld, también estudiante James
en la Universidad de Purdue. agradezco a Academic Roberts
Press, Inc., su autorización para utílizar material de mi libro Calcular, tercera
edición, 3. Tengo una deuda especial con Jim Joel V.
editorial de matemáticas en Wadsworth, cuya dirección y conocimientos me Clemson University
J. Malone
ayudaron en las etapas más difíciles del proceso de escritura. Institute
Worcester
También expresar mi a los revisores
of
hicieron muy valiosas para la confiabilidad y didáctica de este texto.
Xii PRÓLOGO

Chartrand
Edwin L.
Western "'~·~AA··o~A· U ni versity Norwich
Richard J. Easton
Martín E. N ass
Indiana State University
Iowa Central Community College
Gary L. Eerkes •
Gonzaga University

Garret J. Etgen.
John Petra
Western Michigan University t 1
Wílliam B. Rundberg
University of Houston
College of San Mateo
William R. Fuller
William Rundell
Purdue
Texas A & M University
John D. Fulton
Da vid Schedler
Clemson University
Virginia Commonwealth University
Lillian Gough
Jack C. Slay
University of Wisconsin
Mississippi State University
Douglas D. Smith
Central Michigan Uníversity
Cary Webb Prólogo,
Chicago State University
T. W. Tucker
Al estudiante, xvii
James J. W oeppel
Dartmouth Col1ege

Marcellus E. Waddill
Indiana University Southeast

Dennis G. Zill
CAPÍTULO 1 Sistemas ecuaciones
Wake Forrest University
Loyola Marymount University
matrices 1
James Wall 1.1 Introducción, 1
Auburn University 1.2 Dos ecuaciones lineales en dos incógnitas, 2
1.3 Vectores, 6
1.4 Matrices, 14
1.5 .
Productos de vectores y matnces, . l .9 .
1.6 m Ecuaciones en n incógnitas: Elimmac1ones de Gauss-J ardan Y
Gaussiana, 31
1.7 Sistemas homogéneos de ecuaciones, 48
1.8 La inversa de una matriz cuadrada, 54
1.9 Transpuesta de una matnz, . 72 . 75
1.10 Matrices elementales e inversas de matnces, .
1.11 Una perspec t.iv a diferente·· Inversas unilaterales de matnces, 84
"'r""." '' de repaso • Capítulo 1, 92

CAPÍTUW Determinantes,
2.1 Definiciones, 95
2.2 Propiedades de los determinantes, 102
CONTENIDO
Contenido XV
> 2.3
Si el tiempo lo permite: Demostración de tres teoremas
importantes, 116
CAP(TULO
2.4 Determinantes e inversas, 122
2.5 Regla de Cramer, 128 característicos formas
Ejercicios de repaso • Capítulo 2, 132 canónicas, 11
6.1 Valores característicos y vectores característicos, 311
CAP(TULO 6.2 Un modelo de crecimiento poblacional (opcional), 324
6.3 Matrices equivalentes y diagonalización, 328
3.1 Vectores en el plano, 135 6.4 Matrices simétricas y diagonalización ortogonal, 337
3.2 El producto escalar y proyecciones en [JfJ 2 , 6.5 Formas cuadráticas y secciones cónicas, 344
143
3.3 Vectores en el espacio, 150 6.6 Forma canónica de Jordan, 354
3.4 El producto vectorial (o cruz) de dos vectores,
6.7 Una aplicación importante: Ecuaciones diferenciales
159 matriciales, 362
3.5 Rectas y planos en el espacio, 165
Ejercicios de repaso • Capítulo 3, 175 6.8 Una perspectiva diferente: Los teoremas de Cayley-Hamilton Y
Gershgorin, 373
Ejercicios de repaso • Capítulo 6, 380
CAP(TULO 4 Espacios vectoriales, 179
4.1
4.2
Introducción, I 79
Definición y propiedades básicas, 179
CAP(TU LO 7 Métodos numéricos, 383
4.3 Subespacios, 185 7.1 El error en los cálculos numéricos, 383
4.4 Independencia lineal, 190 7.2 Resolución de sistemas lineales I: Eliminación gaussiana con
4.5 Combinación lineal y generación de espacio, 200 apoyo, 386
4.6 Base y dimensión, 206 7.3 Resolución de sistemas lineales II: Métodos iterativos, 393
4.7 7.4 Cálculo de valores característicos y vectores característicos, 404
Rango, nulidad, espacio de renglones y espacio de columnas de una
matriz, 216 Ejercicios de repaso • Capítulo 7, 413
4.8 Rango y determinantes de submatrices (opcional), 229
4.9 Cambio de bases, 232
4.10 Bases ortonormales y proyecciones en [J!J 11 , 242 APÉNDICE
4.11 Espacios de producto interior y proyecciones, 255
4.12 Una perspectiva diferente: la existencia de una base, 264
Ejercicios de repaso • Capítulo 4, 269 APÉNDICE 419

CAP(TU LO Respuestas a problemas

5.1
impar, 4!29
Definición y ejemplos, 273
5.2 Propiedades de las transformaciones lineales: Imagen y kernel (o
núcleo), 280 Índice, 471
5.3 La representación matricial de una transformación lineal,
5.4 287
Isomorfismos, 299
5.5 Isometría (opcional), 304
Ejercicios de repaso • Capítulo 5, 310
 I t
Editorial Iberoamérica en su de
producir cada vez mejores textos, pone en tus manos esta
nueva en la que se ha puesto la más alta calidad en
los aspectos
tación, con el objetivo
ta, no sólo para facilitarte el
hacértelo más estimulante.
Éste, como cualquiera de nuestros ha sido cuida-
dosamente seleccionado para que encuentres en él un
de tu preparación, y un ideal a la enseñanza
del maestro. Lo didáctico de la de sus temas
hace que lo consideres el y el que llevas a to-
das

tu
 •
1

1.1
Éste es un libro de álgebra lineal. Si buscamos la palabra "lineal" en un dic-
cionario, encontraremos algo como lo siguiente: lineal, adj. Relativo a las
líneas o de aspecto de línea.* En Matemáticas, la palabra "lineal" significa al-
go más que eso. Sin embargo, gran parte de la teoría del álgebra lineal elemen-
tal es de hecho una generalización de las propiedades de las líneas rectas.
Como repaso, damos aquí algunos de los hechos fundamentales acerca de las
citadas rectas:

i. La pendiente m de una recta que pasa por los puntos y

está dada por (si x 2 t= x 1 ).
m = Y2-Y1 = .1.y
X2-X1 dx
ii. Si x 2 - x 1 = O y y 2 -=fa y 1 entonces la recta es vertical y se dice que la pen-
diente no está definida.t
m. Cualquier recta (excepto una con pendiente indefinida), se puede descri-
bir expresando su ecuación en la forma simplificada y = mx + b, donde
m es la pendiente de la recta y b es la ordenada al origen (el valor de
y en el punto donde la recta cruza al eje y).
iv. Dos rectas son paralelas si y sólo si tienen la misma pendiente.
v. Si la ecuación de una recta es ax+ by =e (b *O) entonces, como se ve fá-
cilmente, m= -a/b.
vi. Si m 1 es la pendiente de la recta L 1, m 2 la de L 2 , m 1 =I= O y L 1 , L 2 son
perpendiculares, entonces m 2 = -lm 1 •

* (N. del E.) Tomado del Diccionario Larousse Universal Ilustrado, 1968.
t A veces se dice que una recta vertical "tiene pendiente infinita" o que "no tiene pendiente".

1
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES
vii. Las rectas paralelas al eje x tienen pendiente cero.
vfü. Las rectas paralelas al eje y tienen pendiente indefinida.
En la siguiente sección ilustraremos las relaciones entre la· solución de siste-
mas de ecuaciones y el modo de encontrar los puntos de intersección de pares
de líneas rectas.
1.2 • Dos ecuaciones lineales en dos incógnitas 3
Es claro que estas dos ecuaciones son equivalentes. Para ver esto multiplica-
mos la primera por 2. (Esto es válido por la Propiedad B.) Entonces,
x 1 -x2 = 7 ó x2 = x 1 - 7. Así, el par (x 1 , x 1 - 7) es una solución del sistema (3)
para cualquier número real x 1• Esto es, el sistema (3) tiene un número infinito
de soluciones. Por ejemplo, los siguientes pares son soluciones: (7, O), (0, -7),
(8, 1), (1, -6), (3, -4) y (-2, -9).

1.2 Dos ecuaciones lineales

fJE~m8'JIO 3 Considere el sistema
incógnitas X1 - X2 = 7
(4)
Consideremos el siguiente sistema de dos ecuaciones lineales en dos incógnitas 2x 1 -2x 2 =13
X¡ y X 2 :

a11X1 + a12X2 = b1
Al multiplicar la primera ecuación por 2 (lo cual está permitido por la Pro-
(1) piedad B) nos da 2x 1 -2x2 = 14. Esto contradice a la segunda ecuación. Así, el
a21 X1 + a22X2 = b2 sistema (4) no tiene solución.
donde ª11, ª12. ª21, aw b1 y b2 son números dados. Cada una de estas
ecuaciones es la ecuación de una línea recta (en el plano x 1 x 2 en vez del plano
xy). La pendiente de la primera recta es - a1 / a 12 y la pendiente de la segunda
es -a2/a22 (si ª12 *O Y a22 ::/=O). Una solución del sistema (1) es un par de nú- Es fácil de explicar geométricamente lo que sucede en los ejemplos ante-
meros, denotados (x 1, x 2), que satisface (1). Las preguntas que surgen natural- riores. Primero, recordemos que las ecuaciones del sistema (1) son ecuaciones
mente son: ¿cuándo (1) tiene soluciones? y, si las tiene, ¿cuántas son? Respon- de rectas. Una solución de (1) es un punto (x 1 , x 2 ) que está en ambas rectas.
deremos a estas preguntas después qe ver algunos ejemplos. En estos ejemplos Si las dos rectas no son paralelas, se intersecan en un solo punto; si son parale-
usaremos dos propiedades importantes del álgebra elemental: las nunca se intersecan (no tienen puntos en común), o son la misma recta (tie-
nen un número infinito de puntos en común). En el Ejemplo 1 las rectas tienen
Prc>D1'~da1d A. Si a = b y e = d entonces a + e = b 1-j¡- d. pendientes 1 y -1, respectivamente. Por lo tanto, no son paralelas. Sólo po-
seen el punto (6, -1) en común. En el Ejemplo 2 las rectas son paralelas (pen-
B. Si a = b y e es cualquier número real, entonces ca = cb.
diente igual a 1) y coincidentes. En el Ejemplo 3 las rectas son paralelas y
distintas. Estas relaciones se ilustran en la Figura l. l.
La Propiedad A dice que si sumamos dos ecuaciones obtenemos una tercera
ecuación válida. La B dice que si multiplicamos ambos lados de una ecuación
por una constante obtenemos una segunda ecuación válida.

Solución única No hay solución Número infinito de soluciones

_Ü__,______,,,,___ _ _ _ _ _ X¡ __
Ü...,__ _ _ _ _ _.,._. X¡
-Ü-+----.---------<.,... X¡
X1-x2=7

X1 + X2 = 5
Si sumamos las dos ecuaciones tenemos, por A, la
ecuac10n: 12 (o x 1 de la ecuación tenemos x 2 =
5-x1 5-6= -1. el par (6,-1) satisface el sistema y por la forma en (a) Rectas no paralelas; (b) Rectas paralelas; (e) Rectas coincidentes; número
que encontramos la solución vemos que es el único par de números que lo hace. un punto de intersección sin puntos de intersección infinito de puntos de intersección
Esto es, el sistema tiene solución única.
Figura 1.1

tJE~m&)IO 2 Considere el sistema Ahora resolvamos el sistema (1) formalmente. Tenemos

X2 =7 a11X1 + a12X2 = bl
=14 a21 X1 + a22X2 = b2
4 CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.2 • Dos ecuaciones lineales en dos incógnitas 5
Si multiplicamos la primera ecuación por a22 y la segunda por a 12 tenemos Teorema Teorema Ke!1umen1 Versión 1. El sistema
+ ª12a22X2 = ª22b1
ª1 i a22X1 a11X1 + a12X2 = b1
a12a21X1 + a12a22X2 = a12b2
ª21X1 + a22X2 = b2

Antes de continuar notemos que el sistema (1) y el sistema (5) son equivalentes.
Esto significa que cualquier solución del sistema (1) es una solución del sistema
(5) y vicevers(;\. Ello se sigue inmediatamente de la Propiedad B. Después resta-
mos la segunda ecuación de la primera y obtenemos
(6)
de dos ecuaciones en las incógnitas x 1 y x 2 no tiene solución, tiene una única
solución o tiene un número infinito de soluciones. Tendrá:
i. Una única solución si y sólo si su determinante es distinto de cero.
ii. solución o un número infinito de soluciones si y sólo si su deter-
minante es cero.

Observemos que si a 11 a22 - a 12 a21 -:/= O, entonces podemos dividir entre esta can- En la Sección 1.6 discutiremos sistemas de m en n Y
tidad y tener
veremos que siempre existe una ninguna o un númer.o infinito de s.o-
X1=-------
luciones. En el Capítulo 2 definiremos y calcularemos determmantes para sis-
a11 ª22 - a 12ª21 temas de n ecuaciones en n y encontraremos que nuestro Teorema
Resumen (Versión 1) es cierto en este contexto general.
Ahora es posible insertar este valor de x 1 en el sistema (1), despejar x 2 y ha-
bremos encontrado la solución única del sistema. Definimos el determinante
del sistema (1) como

En los Problemas del 1 al 12, encuentre todas las soluciones (si existen) a los
sistemas dados. En cada caso calcule el determinante.
y habremos mostrado lo siguiente: L X1 -3x2 =4 2. 2X1 X2=-3 3. 2x1- 8x2= 5
-4x1+ =6 Sxt +7x 2 =4 -3x 1+12x2 = 8
4. 2x1 -- 8x2 =6 5. 6x1+x2=3 6. 3x 1+ X2=Ü
-3x1 + l2x2 = -9 -4x1-x2=8 2x 1-3x2 =O
7. 4x 1-6x2 =O 8. 5x1+2x 2 =3 9. 2x 1 +3x2 = 4
-2x 1 +3x2 =O 2x1+5x2=3 3x 1+4x2 = 5
10. ax 1 +bx 2 =c 11. ax 1 + bx 2 =e 12. ax1-bx2=c
ax 1 -bx 2 =c bx 1 +ax 2 =c bx1+ax2=d
¿Cómo se relaciona esta afirmación con lo que hemos discutido anterior- 13. Encuentre condiciones para a y b de forma que el sistema del Problema 10 tenga
mente? En el sistema (1) vemos que la pendiente de la primera recta es - a 1¡I a 12 una única solución.
y la pendiente de la segunda es -a21 a22 • * En los Problemas 31, 32 y 33 se pide 14. Encuentre condiciones para a, by e de forma que el sistema del Problema 1 tenga
mostrar que el determinante del sistema (1) es cero si y sólo si las rectas son pa- un número infinito de soluciones.
ralelas (tienen la misma pendiente). Así, si el determinante no es cero, las rec- 15. Encuentre condiciones para a, b, e y d de forma que el sistema del Problema
tas no son paralelas y el sistema tiene una solución única. no tenga soluciones.
Ahora expresaremos en un teorema los hechos discutidos anteriormente. Es
En los Problemas del 16 al 21, encuentre de intersección existe al-
un teorema que será generalizado en secciones posteriores de este capítulo y en
capítulos siguientes. Este teorema, llamado "Teorema Resumen", nos dará guno) de las dos rectas.
una indicación de nuestro progreso en los capítulos siguientes. Cuando todas 16. x-y=7; 2x+3y=l 17. y-2x=4; 4x-2y=6
sus partes hayan sido probadas, veremos una relación notable entre varios 18. 4x -6y = 7; 6x 9y = 12 19. 4x -6y = 10; 6x -9y = 15
conceptos importantes del álgebra lineal. 20. 3x+y=4; y-5x=2 21. 3x+4y=5; 6x-7y=8
Sea Luna recta y sea Ll_ la recta perpendicular a L que pasa por un punto dado
P. La distancia de L a P se define como la distancia* entre Y el punto de
* Estamos suponiendo que ni a 12 ni a22 son cero. Si a 12 o a 22 fueran cero entonces el sistema (1)
sería fácilmente resuelto. Si a 12 O, por ejemplo, entonces x 1 b 1Ia 11 • Por tanto no nos preocu- * Recuerde que si ((x¡, y 1 ) y (x2 , y 2 ) son dos puntos en el plano xy, entonces la distanciad entre
paremos de esta posibilidad. estos dos puntos está dada por d = -v' (xi - X2)~ +(y i - Y2) 2·

6 CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES
intersección de L y L_i. En los Problemas del 22 al 27 encuentre la distancia
entre la recta y el punto dados.
22. x-y=6; (0,0) 23. 2x+3y=-1; (0,0)
24. 3x+y=7; (1,2) 25. 5x-6y=3; (2,lf).
26. 2y-5x = -2; (5, -3) 27. 6y+3x=3; (8,-1)
28. Encuentre la distancia entre la recta 2x-y= 6 y el punto de interseccibn de las rec-
tas 2x-3y= 1y3x+6y= 12.
* 29. Demuestre que la distancia entre el punto (x1, y 1) y la recta ax+ by= e está dada por
lax1 + by1 -e\
d= .Ja2+b2
30. Un zoológico tiene aves (bípedos) y bestias (cuadrúpedos). Si el zoológico tiene 60
cabezas y 200 patas, ¿cuántas aves y cuántas bestias viven allí?
31. Suponga que el determinante del sistema (1) es cero. Muestre que las rectas dadas en
( 1) son paralelas.
32. Si existe una única solución al sistema (1) muestre que su determinante es distinto de
cero.
33. Si el determinante del sistema (1) es distinto de cero, demuestre que el sistema tiene
una única solución.
33. Si el determinante del sistema (1) es distinto de ero, demuestre que el sistema tiene
una única solución.
34. Una fábrica de porcelana manufactura tazas y platos de cerámica. Por cada taza
o plato, un trabajador mide una cantidad fija de material y la coloca en una máqui-
na moldeadora, de la cual sale automáticamente vidriada y cocida. En promedio,
un trabajador necesita 3 minutos para iniciar el proceso en el caso de una taza, y
2 minutos para un plato. El material para la taza cuesta $25 y para el plato $20.
Si se asignan $4,400 diarios para producción de tazas y platos, ¿cuántas unidades
de cada uno de estos productos se pueden manufacturar en una jornada de 8 horas,
si un trabajador labora cada minuto del día y exactamente se gastan los $4,400 en
los materiales?
35. Conteste la pregunta del Problema 34 si los materiales para una taza y un plato
cuestan $15 y $10, respectivamente, y se gastan $2,400 en una jornada de 8 horas.
36. Conteste la pregunta del Problema 35 si se gastan $2,500 en una jornada de 8 horas.
37. Una heladería vende solo helado con soda y leches malteadas. En el primero se usan
1 onza de jarabe y 4 onzas de helado. En la segunda, se utilizan 1 onza de jarabe
y 3 onzas de helado. Si el expendio usa 4 galones de helado y 5 cuartos de jara-
be en un día, ¿cuántos helados con soda y malteadas vende diariamente? '[Equiva-
lencias: 1 cuarto = 32 onzas; 1 galón = 128 onzas.]
1 Vectores
El estudio de los vectores y matrices es parte medular del álgebra lineal. El es-
tudio de vectores comenzó esencialmente con el trabajo del gran matemático
irlandés William Rowan Hamilton (1805-1865). * Su deseo de encontrar un
modo de representar ciertos objetos en el plano y en el espacio, lo llevó al des-
cubrimiento de lo que llamó cuaterniones. Este concepto lo condujo al de lo
* Véase la reseña biográfica.
1.3 • Vectores 1
que actualmente se denomina vectores. Dura~te la vida de Hamilton, y_e.n lo
que restó del siglo diecinueve, existió un considerable. debat~ sobre la ut1l~~ad
de los cuaterniones 0 cuaternios y de los vectores. A fm de siglo, el gran fis1co
británico Lord Kelvin, escribió acerca de los cuaternios: "aun cuando son no-
tablemente ingeniosos, han demostrado ser una mala fortuna para todos
aquellos que de alguna manera los han estudia~o [así como],~os vectores.
nunca han ,SI.do de la más remota utilidad a cnatura alguna . . , d
Sin embargo Kelvin estaba equivocado. Actualmen_te, casi toda~ 1as areas e
la física clásica y moderna son representadas por medio del le~gu~Je d~ l~s :ec-
tores. También se usan cada vez más frecuentemente en las ciencias b10log1cas
y sociales.* .
En la Sección 1.2 describimos la solución a un sistema .de dos ecuaciones en
dos incógnitas como un par de números (xi,, Xz). En el EJe~pl~ 1..6. l expresa-
remos la solución de un sistema de tres ecuaciones en tres mcogmtas como la
terna de números (4, 3). Ambos, (x¡, X2) y (4, -2, 3) son vectores.
Definimos un vector renglón den componentes (o n-dimensional) como un con-
junto ordenado de n números escrito como
(1)
Vector columna Un vector columna den componentes (o n-dimensional) es un conjunto orde-
n componentes nado de n números escrito como
(]:) (2)
En (1) 0 x 1 se llama la primera componente del ve~t?r, x 2 es la segunda
componente, y así sucesivamente. En general, xk es la k-eszma componente del
vector. l' d'
Por simplicidad, frecuentemente nos referimos a un vector reng on n- im~n-
sional como un vector renglón o un n-vector. De igual manera, usamos ~l ter-
mino vector columna (o n-vector) para denotar a un vector columna n-d1men-
siona1. Cualquier vector con todas sus componentes iguales a cero se llama vector
cero.
Ejemplo 1 Los siguientes son ejemplos de vectores:
i. (3, 6) es un vector renglón con dos componentes.
ii. (-!) es un vector columna con tres componentes.
* Descripciones interesantes del desarrollo del análisis vectori~l m~derno pueden verse en el libro
de M.J. Crowe, A History of Vector Analysis (Notre Dame: Umverslty of N~tre Dame Press, 1~67)
0
en el excelente libro de Morris Kline, Mathematical Thought from Anc1ent to Modern Times
(Nueva York: Oxford University Press, 1972), Cap. 32.
8 CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES

fü. es un vector renglón con cuatro componentes.

iv. (!) es un vector columna y un vector cero.

Advertencia.En la definición de vector, la palabra ''ordenado'' es esencial.
Dos ~ectores con las mismas componentes escritas en diferente orden no son
los mismo~. por los vectores renglón (1 y 1) no son iguales.
De aqm en adelante denotaremos los vectores con letras minúsculas en
tipo negro como u, v, a, h, e, etc. El vector cero se denota por o.
Los vectores surgen de diferentes maneras. Suponga que el comprador de
u?a pla~ta manufacturera debe ordenar cantidades diferentes de acero, alumi-
mo, aceite Y papel. Puede anotar las cantidades ordenadas con un simple
vector. El vector
indica que se han ordenado 1O unidades de acero, 30
de aluminio, y así sucesivamente.
Observación. Aquí vemos por qué es importante el orden en el que son escritas
las componentes de un vector. Es claro que los vectores y signi-
. ~hora describiremos algunas de los vectores. Como sería repe-
titivo hacerlo primero para vectores y vectores columna,
daremos todas las definiciones en términos de vectores columna. Las defini-
ciones para los vectores son similares.
Las componentes de todos los vectores en este libro son números reales 0
Usamos el símbolo IRn para denotar el conjunto de todos los
n-vectores ( , , donde cada a¡ es un número real. De igual manera, usamos
.* Un n~mero compl.ejo. ~s un número de la forma a + ib, donde a y b son números reales e
1 ;=-1.Una ~escnpc1on de los números complejos se da en el Apéndice 2. No encontraremos
vectores .complejos otr~ vez hasta el Capítulo 4; serán de especial utilidad en el Capítulo 6. Por
tanto, mientras no se diga otra cosa suponemos que todos los vectores tienen componentes reales.
1
Nacido en Dublín en 1805, en donde pasó la mayor parte de su
vida, William Rowan Hamilton fue, sin la menor duda, el más
grande matemático irlandés de su época. Su padre (un abogado)
y su madre murieron cuando era aún pequeño. Su tío, un lingüis-
ta, se encargó de la educación del muchacho. Cuando cumplió
cinco años, Hamilton podía leer inglés, hebreo, latín y griego.
Cuando tenía trece años, no sólo dominaba todas las lenguas del
continente europeo, sino también el sánscrito, chino, persa, ára-
be, malayo, indostánico, bengalí y alguncs otros más. A Hamil-
ton le gustaba escribir poesía, tanto de niño como de adulto, y
entre sus amigos se encontraban algunos grandes poetas ingleses
como Samuel Taylor Coleridge y William Wordsworth. La poe-
sía de Hamilton se consideraba tan mala que resulta una fortuna
que haya desarrollado otros intereses -especialmente en mate-
Sir William Rowan
máticas.
Hamilton
( The Granger Aunque Hamilton gustó de las matemáticas desde muy joven,
Collection) su interés por las mismas se acrecentó cuando, a los quince años,
por casualidad, conoció al velocísimo calculista norteamericano
Zerah Colburn. Poco después Hamilton comenzó a leer importantes libros de matemáticas
de la época. En 1823, a los dieciocho años de edad, descubrió un error en la Mecánique
céleste de Simón Laplace y escribió un impresionante artículo sobre el tema. Un año des-
pués, ingresó al Trinity College en Dublín.
La carrera universitaria de Hamilton fue asombrosa. A los 21 años, cuando todavía no
se graduaba, había impresionado tanto al cuerpo docente, que fue nombrado Astrónomo
Real de Irlanda y catedrático de Astronomía de la Universidad. Al poco tiempo de este su-
ceso, escribió lo que ahora se considera un trabajo clásico de Óptica. Utilizando sólo teoría
matemática predijo refracción cónica en cierto tipo de cristales. Posteriormente, su teo-
ría fue confirmada por los físicos. Con base principalmente en su trabajo, se concedió a
Hamilton un título nobiliario en 1835.
Su primer gran artículo puramente matemático apareció en 1833. En este trabajo, descri-
bió un modo algebraico para manipular parejas de números reales. Este estudio da reglas
que se usan ahora para sumar, restar, multiplicar y dividir los números complejos. Al prin-
cipio, sin embargo, Hamilton no pudo hallar un método para la multiplicación de tríadas
o n-adas de números cuando n > 2. Diez años dedicó a pensar en este problema, y se dice
que lo resolvió por inspiración mientras caminaba un día sobre el puente de Brougham en
Dublín en 1843. La clave fue la de descartar la bien conocida propiedad conmutativa de
la multiplicación. Los nuevos conceptos se llamaron cuaterniones o cuaternios, y fueron
los precursores de lo que ahora llamamos vectores.
Durante el resto de su vida, Hamilton dedicó la mayor parte de su tiempo desarrollando
el álgebra de los cuaternios. Creía que habrían de tener un significado revolucionario en
la física matemática. Su monumental obra, Treatise on quaternions fue publicada en 1853.
Después de esto, trabajó en una obra mayor, Elements oj quaternions. Aun cuando Hamil-
ton murió en 1865 antes de terminar sus "Elementos", el trabajo fue publicado por su hijo
en 1866.
Los estudiantes de matemáticas y de física conocen a Hamilton en una gran variedad de
contextos. En física matemática, por ejemplo, se estudia la función hamiltoniana, que fre-
cuentemente representa la energía total en un sistema, así como las ecuaciones diferenciales
de Hamilton-Jacobi. En la teoría de matrices, el teorema de Cayley-Hamilton, establece
que toda matriz satisface su propia ecuación característica.
A pesar del gran trabajo que Hamilton estaba desarrollando, sus últimos años fueron
tormentosos. Su esposa estaba semiinválida, y él se convirtió en alcohólico. Por lo tanto,
es confortante destacar que durante esos últimos años, la naciente Academia Nacional de
Ciencias de Estados Unidos, eligió a Sir William Rowan Hamilton como su primer miem-
bro extranjero.
10 CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES
1.3 Vectores 11

el símbolo C" para denotar al conjunto de todos los n-vectore.s (j'.} donde
Advertencia. Es esencial que a y b tengan el mismo número de componentes.

Por ejemplo, la suma (~) + (i) no está definida pues los vectores con dos o

cada e¡ es un número complejo. En el Capítulo 3 discutiremos los conjuntos tres componentes son diferentes clases de objetos y no se pueden sumar.
2
!R (vectores en el plano) y IR 3 (vectores en el espacio). En el Capítulo 4 estu- no es posible sumar un vector renglón y un vector columna. Por ejemplo, la
diaremos conjuntos arbitrarios de vectores.
suma G) + (3, 5) no está definida.

1 de vectores. Dos vectores columna (o a y b son iguales si y

sólo si* tienen el mismo número de componentes y sus componentes corres- Cuando trabajamos con vectores, nos referimos a los números como escala-
res (que pueden ser reales o complejos, dependiendo de que los vectores en

pondientes son iguales. En símbolos, los vectores a = ( ~~) yb (::) son

cuestión sean reales o complejos).*

an bn Mu1t1p1l1Cémcm de vectores por un escalar. Sea a un vector y a un esca-

iguales si y sólo si a 1

Definición !l Suma de vectores. Sean a = C:) y b = Ü) n-vectores. Entonces la suma

lar. Entonces el producto o:a está dado por

de a y b se define como
aa=

ª1 +b1)
a+ b = ª2 +. b2 (3)
( Esto es, al multiplicar un vector por un escalar smrip1enne111e HHULAIJL''"""'""'"" ca-
an +bn da componente del vector por el escalar.

(_~)+ (~) = (~)
* El término "si Y sólo si" se aplica a dos proposiciones: "La proposición A si y sólo si la propo-
sición B" significa que las proposiciones A y B son equivalentes. Esto es, si la proposición A es
cierta entonces la proposición B es cierta y si la proposición B es cierta entonces la proposición A
es cierta. Dicho de otra forma, significa que no se puede tener una sin la otra.
* Nota histórica: El término "escalar" se originó con Hamilton. Su definición de cuaternión
incluía lo que él llamó una "parte real" y una "parle imaginaria". En su artículo "On Quaternions,
or on a New System of Imaginaries in Algebra," en Philosophical Magazine, tercera
25(1844): 26-27, escribió: "La parte algebraicamente real puede recibir ... todos los valores conte-
nidos en una escala de progresión de números del infinito negativo al infinito positivo; nosotros
llamaremos, por tanto, la parte escalar o, simplemente, el escalar del cuaternión ... " el mis-
mo artículo Hamilton definió la parte imaginaria de su cuaternión como la parte vectorial. Aun-
que no fue la primera vez que se usó la palabra "vector", fue la primera vez que se usó en el con-
texto de las definiciones de esta sección. Se puede decir que e! artículo del cual se tomó la nota
cedente marca el principio del análisis vectorial moderno.
 CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.3 • Vectores

'Nota. Juntando la Definición 1 y la Definición 2 nAnc.·mr"" definir la diferen- hemos usado el hecho de que para vw•u~. ~A~A par de números X y y se tiene
cia de dos vectores como que X + y = y + X y o . X = o. 1111
a-b=a+
Esto significa que si a= y b=(~:) . , entonces a- b = Para ilustrar la asociativa vemos que

bn
+ + +

mientras que
Sean a= yb = Calcule 2a- 3b.
+

Solución 2a-3b= El 6 ilustra la de la ley asociativa para la suma de vec-

Una vez visto cómo sumar vectores y cómo multiplicarlos por escalares, po-
demos demostrar algunas propiedades relativas a estas operaciones. Varias de
estas propiedades se dan en el Teorema 1. Probaremos las partes (ii) y y
dejaremos las partes restantes como ejercicios (vea los Problemas del 21 al
tores, puesto que si queremos sumar más de dos vectores podemos hacerlo so-
lamente sumando dos de ellos a la vez. La asociativa nos dice que .... v ..... ..,J,,..._,,.,
hacer esto de dos diferentes maneras y llegar al mismo resultado. Si éste no
fuera el caso, la suma de tres o más vectores sería más difícil de definir pues
tendríamos que especificar cuándo queremos (a + b) + e y cuándo a + (b + e)
para la suma a + b + c.

Teorema 1 Sean a, b y e n-vectores y sean ex y {3 escalares. Entonces:

L a+O=a
ii. Oa O (Nótese que el cero de la izquierda es el número cero y el de En los Problemas del 1 al 1O la operación indicada con a ,b
la derecha es el vector nulo.)
m. a+ b = b +a (ley ,.,..,..,........,, .. 11- •• h , , n
iv. (a+ b) +e= a+ (b+c) asociativa)
v. a(a+b) aa+ab (ley distributiva para la porunescalar) l. a+b 2. 3b 3. --2c
vi. (a+ (3)a = aa +{fa 4. b+3c S. 2a-5b 6. ·-3b+2c
vii. ( af3)a =a ((3a) 7. Oc 8. a+b+c 9. 3a-2b+4c
10. 3b-7c+2a

Demostración de
(ii) y (iii)
.
ii. S1 a=
(ª1)
ª2
; , entonces Oa=O (ª1)ª2
: = ª1) (º)o
o..;. ª2 = ; =O. En los Problemas del 11 al 20 efectúe la operacwn indicada con a =
(3, -1, 4, 2), b = (6, O, -1, 4) y e = (-2, 3, 1, 5). Desde luego, primero es
an a,, ª'1 o

nJ
necesario extender las definiciones de esta sección a vectores renglón.
11. a+c 12. b-a 13. 4c
iii. Sea b Entonces a+ b b+a. 14.
17.
-2b
a+b+c
15. 2a-c
18. c-b+2a
16. 4b-7a
19. 3a-2b+4c
bn 20. aa + ¡3b+ ye
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES
1.4 • Matrices
Ü¡ .

21. Sea a ( ~) y sea Oel vector columna n-dimensional cefo. Use las Definiciones 2
El número a u, que aparece en el renglón i-ésimo y en la columna j-ésima de
A, se conoce como la ij-ésima componente de A. Por conveniencia, la ma-
triz A se escribe a veces A = (au). Comúnmente las matrices se denotan por
y 3 para mostrar que a+ 0= a y Oa= O.
letras mayúsculas.
Si A es una matriz de m x n con m = n se dice que A es una matriz cuadrada.

22. Sean a= , h ~ (::) w ( : } Calcule (a+ b) +e y a+ (b +e) y muestre

Una matriz de m x n con todas sus componentes iguales a cero es una matriz
cero de mxn.
Se dice que una matriz de m x n tiene tamaño m x n. Dos matrices A= y
bn Cn
B = (bu) son iguales si ( i) tienen el mismo tamaño y ( ii) sus componentes co-
que son iguales. rrespondientes son iguales.
23. Sean a y b como en el Problema 22 y sean ex y {3 escalares. Calcule ex( a+ b) y exa + exb
y muestre que son iguales. De igual manera, calcule (ex+ {3)a y exa + {3a y muestre que
son iguales. Finalmente, muestre que (ex/3)a= ex({3a).
24. Encuentre números ex, {3 y 'Y tales que (2, -1,4) + (ex,/3,y) = A continuación se presentan cinco matrices de diferentes tamaños:
25. En la fabricación de cierto producto se necesitan cuatro materias primas. El vector
i. A=(! ~), 2X2 (cuadrada) ii. A= 4 ~). 3x2
d representa una demanda dada para cada uno de los cuatro materiales 1 -2
6
4
o ~), 2X3 iv. 1 3 x 3 (cuadrada)
para elaborar una unidad de su producto. Si d 1 es el vector de demanda para la
fábrica 1 y d 2 es el vector de demanda para la fábrica 2, ¿qué representan los vecto- -6
o o
res d 1 + d2 y 2d 1?
v. (~ o o 0º) , matnz. cero de 2 x 4

26. Seana= b= ye g.tnc11ernre un vector v tal que 2a - b + 3v = 4c.

1

27. Con a, b y e como en el Problema 26, encuentre un vector w tal que a - b + e - Los vectores pueden ser vistos como casos especiales de matrices. Así, por
w o. ejemplo, el vector renglón n-dimensional (a 1,a2 , • • • ,an) es una matriz de

l x n, mientras que el vector columna n-dimensional (:~) es una. matriz

an/
de mn números distribui- den x l.
Las matrices, como los vectores, surgen de un gran número de situaciones

ª2j prácticas. Por ejemplo, vimos en la Sección 1.3 cómo el vector (11) puede

aii ain representar cantidades ordenadas de cuatro productos diferentes usados por
un fabricante. Supongamos que hay cinco plantas distintas. Entonces la matriz
de 4 X 5
am2 amj 10 20 15 16
30 10 20 25 22 25)
Nota Histórica: El término ''matriz'' fue usado por primera vez en 1850 por el matemático bri- O= 15 22 18 20 13
(
tánico James Joseph Sylvester (1814-1897) para distinguir las matrices de los determinantes (que
discutiremos en el Capítulo 2). De hecho, el término "matriz" quería significar "madre de los de-
60 40 50 35 45
terminantes". puede representar las órdenes de los cuatro productos en las cinco plantas. Po-
-¡ Como en el caso de los vectores supondremos, si no dice otra cosa, que los números en la demos ver, por ejemplo, que la planta 4 ordena 25 unidades del segundo
matriz son reales.
producto mientras que la planta 2 ordena 40 unidades del cuarto producto.
CAPÍTULO 1 • Sl?TEMAS DE ECUACIONES LINEALES Y MATRICES 1.4 • Matrices 11

Las matrices, como los vectores, pueden sumarse. y ser multiplicadas por
escalares.*

De:fínl'CICJ~n 1 Suma de matrices. Sean A = (a¡) y B = (bu) dos matrices de m x n. La suma aA=
de A y B es la matriz A + B de m x n dada por

A+B=(aii+
c+b11
= ª21:b21
ª12 + b12
a22+ bn
aln + bln
a2n + otras aA = es la matriz que se obtiene por
a cada componente de
am1+ am2+ bm2 amn +

4 -6 8
Esto es, A+ es la matriz de m x n obtenida al sumar las componentes corres- A= 1 4 8
1-''"'''......,u~·.. ., de A y B.

Advertencia. suma de dos matrices está definida solamente cuando ambas

matrices tienen el mismo tamaño. por no es sumar entre o o
-3A= y OA= o o
matrices y

y
o 3B.
4 6 5 o
+ 3 6 6
3
o
+

de x n

by,
y'= +

llamado matriz
 1.5 • Productos de vectores y matrices
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES

19. Halle un matriz D de manera que A + B + C + D sea la matriz cero de 3 x 3.

Nota. El cero en la parte del teorema es la matriz cero de m x n. En la 20. Encuentre una matriz E de manera que 3C-2B+8A-4E sea la matriz cero de
parte el cero de la es un mientras que el cero de la dere- 3x 3.
cha es la matriz cero de m x n. 21. SeaA = unamatrizdem x nyseaOlamatrizcerodem x n. Usandolas'Defini-
ciones 1 y 2, muestre que OA =O y O+A =A. Igualmente, muestre que lA =A.
22. Sean A = y B (bu) matrices de m x n. Calcule A +By B +A y muestre que son
iguales.
Para ilustrar la asociativa notemos que 23. Si a es un escalar y A y B son como en el Problema 22, calcule a(A + B) y aA +
aB y muestre que son iguales.
4 -2 -1 2
[ -1
+ -1
+ 1 --2
24. Si A = (au), B = yC = son matrices de m x n, calcule (A + B) + C,
y A + (B + C) y muestre que son iguales.
-1 1 25. Considere el "grafo" que une los cuatro puntos de la figura. Construya una
+ 1 -1
matriz de 4 x 4 con la propiedad de que O si el punto i no está conectado (por
medio de una línea) con el punto j y ªu= 1 el punto i está conectado con el punte j.
De manera,
2
4 -2 4
-1
+ -1
+ 1 -1
-3 1
+G o -1
26. Haga lo mismo (esta vez construya una matriz de 5 x 5) para el siguiente grafo.
2
Como con los vectores, la asociativa para la suma de matrices permite
definir la suma de tres o más matrices.

En los Problemas del 1 al 12 efectúe las operaciones indicadas con 1 vectores

1
En esta sección veremos cómo se pueden multiplicar dos matrices entre sí. Ob-
A ,B yC= viamente, podríamos definir el producto de dos matrices de m x n, A =(a¡) y
B = (bu) como la matriz m x n cuya ij-ésima componente es aub u· Sin em-
1. 3A A+B 3. A-C bargo, debido a las importantes aplicaciones de las matrices, se necesita otra cla-
4 .. 2C-5A 5. OB (O es el escalar cero) 6. -7A +3B se de producto. Comenzaremos definiendo el producto escalar de dos vectores.
A+B+C 8. C-A-B 9. 2A-3B+4C
10. 7C-B+2A
1. Encuentre una matriz D de manera que 2A + B- D sea la matriz cero de 3 x 2.
12. Obtenga una matriz E de manera que A + 2B - 3C + E sea la matriz cero de 3 x 2. Producto escalar de dos vectores. Sean a yb dos n-vectores.

En los Problemas del 13 al 20 las operaciones indicadas con A Entonces el producto! -zscalar de a y b, representado por a · b, está dado por
-1 2 o
4 B= O y C
-6 -2
13. -2B 3A C 15. A+B+C
16. 2A-B +2C 17. C-A-B 18. 4C-2B +3A
 1.5 • Productos de vectores y matrices
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES
El siguiente resultado se sigue directamente de la definición de producto es-
Por la notación en el producto escalar de dos vectores frecuentemente es
calar (Problema 22).
conocido como producto punto de los vectores. Notemos que el producto es-
calar de dos n-vectores es un escalar (esto es, un número). . .
Teorema 1 Sean a, b y en-vectores y sean a y {3 escalares. Entonces:
Cuando hacemos el producto escalar de a y b necesitamos que a
Advertencia.
i. a·O=O
y b tengan el mismo número de componentes. ii. a·b = b·a (ley conmutativa para el producto escalar)
Frecuentemente efectuaremos el producto escalar de un vector renglón y un iii. a·(b +e)= a·b + a·c (ley distributiva para el producto escalar)
vector columna. En este caso tenemos
iv. (aa)·b = a(a·b)
Notemos que no hay ley asociativa para el producto escalar. La expresión
(a . b) · e = a · (b · e) no tiene sentido ya que ninguno de los lados de la
ecuación está definido. Para el lado izquierdo, esto se deduce del hecho de que
+ a . b es un escalar y el producto escalar del escalar a · b y el vector e no está
definido.

De:fíniiCícm 2 Sea A
Producto de dos matrices. (a u) una matriz de m x n cuyo i-ésimo
renglón denotamos por a¡. Sea B = (bu) una matriz den X p cuya j-ésima
columna denotamos por b 1. Entonces el producto de A y B es una matriz
C = de m X p, donde
y b= Calcule a • b .

Solución . b = (1)(3) + + 3+4+12=19

Esto es, el ij-ésimo elemento de AB es el producto escalar del i-ésimo renglón
de A (a¡) y laj-ésima columna de B (b1 ). Si desarrollamos esto obtenemos

tM~.mo.10 !l Sean a = 4, y b Calcule · b.

Solución a b= + + =2-6+0-18 -22.

Advertencia. Dos matrices pueden multiplicarse sólo si el número de columnas
de la primera es igual al número de renglones de la segunda. De otra forma, los
vectores a¡ y b tendrían diferente número de componentes y el producto esca-
f1e,mo10 3 Suponga que un fabricante produce cuatro artículos. La demanda para los ar- 1
lar de la Ecuación (3) no estaría definido
t~culos ~st~ dada por el vector de demanda d = 20, 40, 10). Los pre-
cios umtanos para los artículos están dados por el vector de precios p =
($20, $15, $18, Si satisface su demanda, ¿cuánto dinero recibirá el fa-
bricante?
Ejemplo 4 Si A = ( l
-2
3
)
4 y
B= (
3
5
-2)6 , calcule AB y BA.
Solución La demanda del primer artículo es de 30 y el fabricante recibe $20 por cada
unidad vendida del primer artículo. Por lo tanto, recibe (30)(20) = $600 por
la venta del primer artículo. Continuando este razonamiento vemos que el Solución Sea e= (cij) = AB. Entonces C11=91. b1 = (1 3): G) = 3+15 = 18; C12 =
total de dinero recibido será d · p. Así, sus entradas son d . p = (30)(20) +
(20)(15) + (40)(18) + (10)(40) = 600 + 300 + 720 + 400 = $2020. a 1• =(1 3)·(-~)=-2+18=16; C21=(-2 4)·(~)=-6+20=
!l!l CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.5 • Productos de vectores y matrices !l3

y c 22 =(-2 4)· (-~)=4+24=28. Así C=AB=G! ~~).Igualmente, 1:;,emo10 6 Contacto directo e indirecto con una enfermedad En este se
muestra corno la multiplicación de matrices puede ser usada para modelar la
dejando a un lado los pasos intermedios, vernos que propagación de una enferrnedad contagiosa. Supóngase que cuatro individuos

C'=BA = (~ -2)( 1 3)
6 -2 4 =
(3+4
5--12
9-8 )
15+24 =
( 7
-7
han contraído el padecimiento. Este grupo tiene contacto con seis personas de
un segundo grupo. Podernos representar estos contactos, llamados contactos
directos, por una matriz 4 x 6. Un ejemplo de una tal matriz lo darnos a conti-
nuación:

Observación. El Ejemplo 4 ilustra un hecho importante: el producto de matri- Matriz de contactos directos: Grupos primero y segundo
ces, en general, no es conmutativo. Esto es, en general, AB-=!= BA. En ocasio-
nes sucede que AB = BA, pero esto será la excepción, no la regla. De hecho,
corno lo ilustra el siguiente ejemplo, puede ocurrir que AB esté definido mien-
o1 o1 oo o1 o1 º)
1
A= O O O 1 1 O
tras que BA no lo esté. Así, debernos ser cuidadosos en el orden en el cual mul- (
tiplicarnos dos matrices.
1 o o o o 1
Aquí se tiene que a u = 1 si la i-ésirna persona del primer grupo ha hecho con-
tacto con la j-ésirna persona del segundo. Por ejemplo, el 1 en la posición 2,
4 significa que la segunda persona del primer grupo (el infectado) ha hecho con-

Ejemplo 5 Sean A = e~ -~) y B =( ~

-3
-1

1 2 3
4 7)
5 O -4 . Calcule AB.
tacto con la cuarta persona del segundo grupo. Ahora supóngase que un tercer
grupo de cinco personas ha tenido contacto directo con individuos del segun-
do. Esto también puede representarse por una matriz.

Solución Primero notemos que A es una matriz de 2 x 3 y Bes una matriz de 3 x 4. Por Grupos segundo y tercero,
Matriz de contactos directos:
tanto el número de columnas de A es igual al número de renglones de B. El
producto AB, por consiguiente está definido y es una matriz de 2 x 4. Sea o o o
AB = C = (cu). Entonces o o o 1 o
o 1 o o o
C11=(2 o -3)· CD=23 C12=(2 o -3}·CD=-5 B=
o o o
o o o 1
1
o
o o o o
C13=(2 Ü -3}·m=2 C14=(2 Ü -3)· (-}s Nótese que b64 = O, lo cual significa que la sexta persona del
no ha tenido contacto con la cuarta persona del tercero.
grupo

Los contactos indirectos -o de segundo orden- entre los individuos en el

primero y tercer grupos se representan por la matriz 4 x 5 C = AB. Para cap-

C21 = (4 1 5){D=15 C22 = (4 5{}6 tar esto, basta observar que para que alguien del grupo 3 haya sido conta,gH1-
do, debió haber tenido contacto con alguien del grupo 2, quien a su vez hubo
de ser contagiado por alguien del primer grupo. Por ejemplo, corno a24 = 1 y
b 45 = l, vernos que, indirectamente, la quinta persona del grupo 3 tuvo con-
tacto (por medio de la cuarta persona del grupo 2) con la segunda persona del
C23 = (4 1 5) ·G)=26 C24 = (4 1 si-(-}39 grupo 1. El número total de contactos indirectos entre la segunda persona
del grupo 1 y la quinta del grupo 3 está dado por
Czs = a21b1s + a22b2s + ª23b3s + ª24b4s + ª2sbss + ª26b6s
Por tanto AB = ( 23 -5 2 5) . Esto termina el problema. Observe que
= 1·1 + O· O + O· O + 1 · l + O· O + l ·O = 2
15 6 26 39
el producto BA no está definido pues el número de columnas de B (cuatro) no Ahora se calculará.
es igual al número de renglones de A (dos).
Matriz de contactos indirectos: Grupos primero y tercero,
24 CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.5 • Productos de vectores y matrices 25

-7 39 2

e= =(:o H ~
-3 -6
AB
o o 2
Observamos que sólo lá segunda persona en el grupo 3 no tiene contactos
indirectos con enfermos. La quinta persona en este grupo tiene 2 + 1 + 1 =
4 contactos indirectos. De aquí en adelante escribiremos el producto de tres matrices simplemente
como ABC. Podemos hacer esto porque = A (BC); así obtenemos el

Hemos visto que la ley conmutativa no se aplica al producto de matrices. mismo resultado sin cómo se efectúe la multiplicación tal de que
El siguiente teorema muestra que la asociativa si se cumple. no conmutemos de las matrices).
La extender a productos más grandes. Por ejemplo,
entonces
..... .., •. H U.... ._,..,,

Teorema R asociativa para de matrices. Sean A = (a u) una matriz de n x

m, B = (bu) una matriz de m x p y C = una matriz de p x q. Enton-
ces la ley asociativa

= (AB)C
dos leyes distributivas para la multiplicación de matrices.

es válida y ABC, definida por cualquier lado de (5) es una matriz de n x q.

Teorema 3
La demostración de este teorema no es difícil pero es algo tediosa. Es mejor
duetos siguientes están definidos, entonces
darla usando notación de sumatoria. (Si esto no le es familiar, vea los Proble-
mas del 60 al 80.) Por esta razón diferiremos la demostración hasta el final de
la sección.

-1 y
la asociativa para A = B = (~ 1
y C=
-2
3
o
Demostración de los · asociativa. Como A es den x m y Bes de m x p, AB es den x p.
Solución Primero notemos que A es de 2 x 2, Bes de 2 x 3 y Ces de 3 x 3. Así, todos Teoremas !l y 3 x x x q) es una matriz de n x q. BC es de
los productos empleados en el enunciado de la ley asociativa 1 están definidos m x q, y A (BC) es den x q, y así y A (BC) son ambas del mismo
y el producto resultante será una matriz de 2 x 3. Entonces calculamos tamaño. Debemos mostrar que la ij-ésima componente de es a la

AB
(~ -~)G
-1
:) = (-~
-4 -11) componente de A Definimos D = AB. Entonces

1 2 10 La componente de = DC es
-2
= (-~
-4
2
-11)( ~ 3 ~H-4239 2
-6
-81)
70
10 -5 o 6 m

Igualmente, ces eu = b¡1Cu y la ij-ésima componente de A (BC) AE es I

k=1
aikeki =
' o
-23 1)2 = (-24
BC= (~
-1
1 :(: o 6
-21
-7 24)
-3 35
da así demostrado. 11
ésta es la componente de y el teorema que-
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES
1.5 Productos de vectores y matrices

distributivas. Probaremos la primera ley distributiva La prue-

3 -6
ba de la segunda (Ecuación 8) es idéntica y por lo tanto la omitimos. Sea A -3 4
de n x m Y sean B y C de m x p. Entonces la k}-ésima componente de B + e es 2
m
24. o 3 25. (1 4 o 2)

bkJ + ck.J y la ij-ésima componente de A(B + es aik( bki + cki) = I aik bki + 3 o
k=l

a¡kcki = ij-ésima componente de AB más la ij-ésima componente de lo -2 o

3 2
26. 27. o 1
que prueba la pcuación (7). lll 4 o o

o -2 b o
~)
en donde a, b, e, d, e, f,
28. o 29. e 1
g, h, j son números reales.
o h o
escalar de los dos vectores.
30. Encuentre una matriz A=(; tal que = (~ 1

l. U}C) 2. (1, 2, --1, O); (3, -7, 4, -2) Sean a 11 , a 12 , a 21 y a 22 números reales dados tales que a 11 a 22

cuentre números b 11 , b 12 , b 21 y b 22 tales que

- a 12a 21 ~O. En-

3. (~} (_~) 4. (8,3, 1); (7,-4,3)

5. (a, b); (e, d)

7. (-1,-3,4,5); (-1,-3,4,5)
6. (:H:) 32. Verifique la ley asociativa de la multiplicación para las matrices A -- (21 -01

B= -1
o
y C=
-2 o
8. Sea a un n-vector. Muestre que a · a 2:: O.
33. Como en el Ejemplo 6, supóngase que un grupo de individuos ha contraído una
9. Encuentre condiciones en un vector a de forma que a · a = O. enfermedad infecciosa. Estas personas tienen contacto con un segundo grupo que
o
En los Problemas del 10 al 14 efectúe el cálculo indicado con a
a su vez tiene contacto con un tercero. Sea A """ la matriz que re-
o o
presenta los contactos entre el grupo contagioso y los miembros del grupo 2, y sea

o 1 o
10. (2a) · (3b) 11. a -(b+c) 12. e· (a-b)
13. (2b) · (3c- 5a) 14. (a-e)· (3b-4a)
o o
B=
1 o o
o o
En los Problemas del 15 al 29 efectúe las operaciones indicadas.
la matriz que representa los contactos entre los grupos 2 y 3. (a) ¿Cuántas personas

15. 21 3)(4
2 o 6l) 16. (~ -~)(-~ ~) 17. G -~)(-~ ~)
hay en cada grupo? (b) Halle la matriz de contactos indirectos entre los grupos 1 y 3.

18. (-~ ~)(~ -~) 19. (-~

5
4 2)
e
1 5 -16 41)
o
20. G -3 4(1 1
s) -~ :)
34. Responda a las preguntas del Problema 33 si A =

o o o o o
o
y

e DG
1 2
o o o
4 o o
~
-3

~)
B
21. (
-2
;)G -3
1
~) 22. G 4o -2)(º
4 2 3
1) 23
' -~ 3
o
o
3
o o 1 1
o o o
o
o
28 CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.5 • Productos de vectores y matrices

Se dice que dos vectores a y b son ortogonales si a · b O. En los Problemas 46. Las ventas, utilidades brutas por unidad y los impuestos unitarios de una gran com-
del 35 al 39 determine qué pares de vectores son or1'02ona1e·s. * pañía se dan en la tabla siguiente.

35. (~) 37. Producto

Ventas del
Producto Pro· Utifüfades Impuestos
Mes m (en cientos de u.m.) (en cientos de u.m.)
I II dueto
38. (1, O, 1, O); (O, O, 1) 39.
Enero 4 2 20 I 3.5 1.5
Febrero 6 1 9 u 2.75 2
Marzo 5 3 12 m 1.5 0.6
Encuentre un número a de forma que -2, 3, 5) sea ortogonal a a, 6, 1). Abril 8 2.5 20

Encuentre una matriz que muestre el total de utilidades e impuestos cada uno
Encuentre todos los a y (3 de forma que los vectores y
de los 4 meses.
Sea A una matriz cuadrada. Entonces se simplemente como AA. Calcule

-2
Calcule donde A= o

un horas
elaboración de
(a) 50.
(b)

(e)

(
tratados ampmunt:rne en los Capítulos
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES y MATRICES
1.6 • m Ecuaciones en n incógnitas: Eliminaciones de Gauss-Jordan y gaussiana 31
* 54 · Sea Puna matriz de probabilidad. Muestre que P 2 es una matriz de probabilidad. 75. 22 . 4+3 2 . 6+4 2 . 8+5 2 . 10+62 • 12+7 2 • 14
*SS. S~an P Y Q matrices de probabiliad del mismo tamaño. Pruebe que PQ es 76. a11 + a12 + a13 + a21 + a22 + a23
tnz de probabilidad. una ma- 77. au+ a12 + a21 + a22 + a31 + a32
*56. Demuestre la fórmula (6) usando la ley asociativa (Ecuación 5). 78. a21 + a22 + a23 + a24 + a31 + a32 + a33 + a34 + a41 + a42 + a43 + a44

*57. U~ torneo d~ tenis puede ser organizado de la siguiente forma. Cada uno de los
79. a31b12 + a32b22 + a33b32 + a34b42 + a3sbs2
80. a21bi1 C15 + a21 b12C25 + a21 b13C35 + a21 b14C45
n JU~adores Juega contra todos los demás, y los resultados son registrados en una + a22b21C1s + a22b22C2s + a22b23C3s + a22b24C45
matnz R de n x n como sigue: + a23b31 C1s + a23b32C2s + a23b33C35 + a23b34C4s

1 si el i-ésimo jugador vence al j-ésimo jugador

= { s~ ~I i-é~imo jugador pierde ante el j-ésimo jugador
O
Ü SI l = j 1 Ecuaciones en n incógnitas:
Al i-ésimo jugador se le asigna el siguiente puntaje
Eliminaciones de Gauss-Jordan

(a) En un torneo entre cuatro jugadores. En esta sección describimos un método para encontrar todas las soluciones (si
existen) de un sistema de m ecuaciones lineales en n incógnitas. Al hacer esto

~ ~ ~)·
veremos que, como en el caso de 2 x 2, tales sistemas tienen una solución, un
número infinito de soluciones o ninguna solución. Antes de entrar al método
R en general veamos algunos ejemplos simples.
o 1 o
Clasifique a los jugadores de acuerdo a sus puntajes.
(b) Interprete el significado de la clasificación. Ejemplo 1 Resuelva el sistema
58. Sea O la matriz cero de m X n y sea A una matriz de n x p. Muestre que OA 2x 1 + 4 x 2 + 6x 3 = 18
= O¡, donde 0 1 es la matriz cero de m x p.
4x 1 + 5x 2 + 6x 3 = 24 (1)
59. Verifique la ley distributiva (Ecuación 5) para las matrices

A= (13 -12 o4) Solución Buscamos tres números x 1, x 2 y x 3 tales que las tres ecuaciones en (1) sean satis-
fechas. Nuestro método de solución consistirá en simplificar las ecuaciones co-
mo lo hicimos en la Sección 1.2 de forma que las soluciones sean fácilmente
Debid? a q~e. u~aremos la notación l: en varias partes de este libro, el lector identificadas. Empezamos por dividir la primera ecuación entre 2. Esto da
debe na f ª'!1.1/zarzzarse con ella. Los siguientes problemas están diseñados para
este proposzto. En los Problemas del 60 al 67 evalúe las sumas dadas. X1 + + 3x 3 = 9
4
60. 2k 61. i3 4x 1 + 5x 2 + 6x 3 = 24
62. 63. 3k
3x 1 + x 2 - 2x 3 = 4
3 4
64. 65.
1 +i 66. I
i=l
ij 67. Como vimos en la sección antes mencionada, sumar dos ecuaciones nos lleva a
una tercera ecuación válida. Esta ecuación puede reemplazar en el sistema
En los Problemas del 68 al 80 escriba cada suma usando ta notación r;. a cualquiera de las dos ecuaciones usadas para obtenerla. Empezamos a sim-
plificar el sistema (2) multiplicando por -4 ambos lados de la primera ecuación
68. 1+2+4+8+16 69. 1-3+9-27+81-243
en (2) y sumando esta nueva ecuación a la segunda. Esto nos da
2 3 4 5 6 7 n
70. -3+-4+-5+-6+-7+-8+ ... +n+l
71. 1+2112+ 3 113+ 4 114+ 5 11s+ ... +nl/n -4x 1 - 8x 2 12x 3 = -36
72. l+x3+x6+x9+x12+x1s+xt8+x21 4x 1 + 5x 2 + 6x 3 = 24
73. -1 1 1 1 1 1 1
a 6x 3 = -12
74. 1 . 3 + 3 . 5 + 5 . 7 + 7 . 9 + 9 . 11 + 11 . 13 + 13 . 15 + 15 . 1 7
La ecuación -3x2 - 6x3 -12 es nuestra segunda nueva ecuación y ahora el
es la ij-ésima componente de la matriz R 2 . sistema es
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES y MATRICES
1.6 • m Ecuaciones en n incógnitas: Eliminaciones de Gauss-Jordan y gaussiana 33
x1 + 2x 2 + 3x 3 = 9
Antes de continuar con otro ejemplo resumiremos lo hecho en éste:
- 3x 2 - 6x 3 = -12
3x 1 + x 2 - 2x 3 = 4 i. Dividimos para hacer igual a 1 el coeficiente de x 1 en la primera ecuación.
ii. "Eliminamos" los términos en x 1 de la segunda y tercera ecuaciones. Esto
Ahor~, multiplicamos la primera ecuación por -3 Y la sumamos a la tercera es, hicimos los coeficientes de estos términos iguales a cero multiplicando
ecuac10n: la primera ecuación por números y sumándola a la se-
gunda y tercera ecuaciones, '"''"'"""'"1-"""'""'"'""'1-
x1 + 2x 2 + 3x 3 = 9 iii. Dividimos para hacer igual a 1 coeficiente del término en x 2 en la se-
- 3x 2 - 6x 3 = -12 gunda ecuación y después usamos para eliminar los términos en x2 de
(3) la primera y tercera ecuaciones.
-5x 2 -11x 3 = -23 iv. Dividimos para hacer igual a 1 coeficiente del término en x 3 de la ter-
ceta ecuación y después usamos esta ecuación para eliminar los términos
Notemos que e~ el sistema (3) la variable x 1 ha sido eliminada de la segunda
en x 3 de la primera y segunda ecuaciones.
Y tercera ecuac10nes. Después dividimos la segunda ecuación entre --3:

X1 + 2x2 + 3x 3 = 9 Debemos enfatizar que en cada paso obtuvimos sistemas que son
tes. Esto es, cada sistema tiene el mismo conjunto de soluciones que el sistema
X2 + 2X3 = 4 anterior. Esto se deduce de las Propiedades A y B de la Sección 1.2.
- 5x 2 - 11x 3 = -23

Multipl~c~mos la segunda ecuación por -2 Y la sumamos a la primera. lue o Matriz de Antes de resolver otros sistemas de ecuaciones, introduciremos una notación
se multiplica la segunda ecuación por 5 y se suma a la tercera: ' g coeficientes que haga más fácil escribir cada paso en nuestro procedimiento. Una matriz es
un arreglo rectangular de números. Los coeficientes de las variables x 1, x2 y
x 3 en el sistema ( 1) pueden ser escritos como los elementos de una matriz A,
llamada matriz de coeficientes del sistema:
X2 + 2x 3 = 4

-- X3 = -3

Multiplicando la tercera ecuación por -1:

Defina los vectores x y b como

X2 + =4 X= y h=
X3 = 3
;inalmente, su~~mos la tercera ecuación a la primera y después se multiplica El sistema (1) puede escribirse en la forma
~tercera ecuacwn por. -2 Y se la suma a fa segunda para obtener el si uiente
sistema (el cual es eqmvalente al sistema (1)): g Ax= b
En cada paso del Ejemplo 1, se escriben muchas x. Esto no es necesario: Usan-
X¡ =4
aumentada do la notación matricial, el sistema expresarse como la matriz
=-2 aumentada

Ésta es la sol · ' , ·

4 -
l ·
uc~on umca, a sistema. La escribimos en la forma de vector
4
5
6
6
18)
24
2 3 -2 4
( ' , ). El metodo aqm usado se conoce como método de eliminación de
Gauss-Jordan. *
Por ejemplo, la primera fila de la matriz aumentada (5) se lee + +
6x3 = 18. Nótese que cada fila o renglón de la matriz aumentada correspon-
* .Llamado así en honor del gran t · · . . de a una de las ecuaciones del sistema.
f f , . ma emat1co a 1eman Car! Fnedrich Gauss (1777-1855) y del t
ma ico rances Cam1Ile Jordan (1838-1922). Véase la reseña biográfica de Gauss. ma e- Ahora introduciremos alguna terminología. Hemos visto que multiplicando
(o dividiendo) los dos lados de una ecuación por un número diferente de cero
 1.6 • m Ecuaciones en n incógnitas: Eliminaciones de Gauss-Jordan y gaussiana 35
se construye no es tal sino hasta que la última parte del andamiaje se ha retirado, hacía
1 cada una de sus obras completa, concisa y pulida. Utilizaba un sello que mostraba un árbol
con algunos pocos frutos y el lema: Pauca sed matura (pocos pero maduros). Pero Gauss
también creyó que las matemáticas debían reflejar el mundo real. A su muerte, fue honrado
El más grande matemático del siglo diecinueve, Carl Friedrich Gauss
con una medalla conmemorativa en la que se inscribió "De Jorge V, Rey de Hánover, al
es considerado uno de los tres más grandes matemáticos de todos
los tiempos -siendo los otros dos Arquímedes y Newton. Príncipe de los Matemáticos''.
Gauss nació en Brunsvick, Alemania en 1777. Su padre, un tra-
bajador pertinaz que fue excepcionalmente obstinado y nunca cre-
yó en la educación formal, hizo todo lo que pudo para mantener se obtiene una nueva ecuación válida. Más aun, si sumamos un múltiplo de
a Gauss fuera de las escuelas. Afortunadamente para Carl (y para
las matemáticas), su madre, pese a no contar tampoco con educa-
una ecuación a otra ecuación del sistema obtenemos otra ecuación válida. Fi-
ción formal, alentó a su hijo en sus estudios y participó con orgullo nalmente, si intercambiamos dos de las ecuaciones de un sistema se obtiene un
de sus logros hasta los días de su muerte, a la edad de sistema equivalente. Estas tres operaciones, cuando se le aplican a los renglo-
97 años. nes de la matriz aumentada de un sistema de ecuaciones, se denominan
Gauss fue un niño prodigio. A la edad de 3 años, encontró un ciones elementales de renglón (o sobre renglones).
error en la contabilidad de su padre. Se cuenta una famosa historia
de Carl, a la edad de 10 años, cuando pupilo de la escuela local de
Carl Friedrich Gauss Brunsvick. El maestro era famoso por sus asignaciones de tareas
(Biblioteca del Congreso, para mantener a los niños ocupados. Un buen día les pidió po- Resumiendo, las tres operaciones elementales sobre a la
Estados Unidos) nerse a sumar los números del 1 al 100. Casi en forma instantánea, re1on~sent:1cíón de la matriz aumentada de un sistema de ecuaciones son:
Carl colocó su pizarra cara abajo con las palabras "ahí está". Des-
pués, el maestro descubrió que Carl era el único que tenía la respuesta correcta, 5050. Gauss
había notado que los números podían disponerse en 50 parejas, cada una con la suma 101
(l + 100, 2 + 99, y así sucesivamente), y 50 x 101 == 5050. Más tarde en su vida, Gauss
decía que antes de aprender a hablar, ya sabía sumar. i. dividir) un por un número distinto de cero.
Cuando tenía 15 años, el duque de Brunsvick advirtió su talento, y se convirtió en su pro- ii . Sumar un múltiplo de un a otro
tector. El duque le ayudó a ingresar a la Universidad de Brunsvick en 1795, y tres años des- iii. Intercambiar dos renglones.
pués, a la Universidad de Gotinga. Titubeante entre las disciplinas de filosofía y matemática,
finalmente eligió las ciencias matemáticas después de dos extraordinarios descubrimientos.
Primero, inventó el método de mínimos cuadrados, una década antes de que Legendre pu-
blicara el resultado. Segundo, un mes antes de su cumpleaños decimonono, resolvió un pro- El proceso de efectuar
blema cuya solución se había buscado por más de dos mil años. Gauss mostró cómo construir, una matriz aumentada se llama reducción por ..o,ria.1ru1 0~
con sólo compás y regla, polígonos regulares cuyo número de lados no fuese un múltiplo
de 2, 3 o 5. El 30 de marzo de 1796, día de su descubrimiento, comenzó un diario cuyas
líneas iniciales describían la construcción de un polígono regular de 17 lados. El diario, que Notación i. de una matriz por
contiene 146 menciones de resultados en sólo 19 páginas, es uno de los documentos más e''.
importantes en la historia de las matemáticas. el e y sumárselo
Después de un periodo breve en Gotinga, Gauss pasó a la Universidad de Helmstaedt
Y en 1798, a la edad de 20 años, escribió su famosa disertación doctoral. En ella dio la pri-
mera demostración rigurosa del teorema fundamental del algebra: todo polinomio de grado m.
n, posee, contando las multiplicidades, n raíces. Muchos matemáticos, incluyendo a Euler,
Newton y Lagrange, habían intentado la demostración de este resultado.
Gauss realizó un gran número de descubrimientos en física y en matemáticas. Por ejem-
plo, en 1801 usó un nuevo procedimiento para calcular, con muy pocos datos, la órbita del ~ .~ ......... ~
1 vimos que si usamos las
asteroide Ceres. En 1833, inventó el telégrafo electromagnético con su colega Wilhelm Weber
(1804-1891). No obstante su brillante trabajo en astronomía y electricidad, su desempe-
varias veces obtenemos un sistema
ño en matemáticas es todavía más asombroso. Hizo contribuciones fundamentales al álgebra dadas Ahora
Yla geometría. En 1811, descubrió un resultado que indujo a Cauchy a desarrollar la teoría do la notación anterior:
de la variable compleja. Lo encontramos aquí (en este libro) en el método de eliminación
llamado de Gauss-Jordan. Los estudiantes de análisis numérico estudian la cuadratura de 4 6 3 2 3
Gauss -una técnica de integración numérica. 6 -3 -6
5 6
Gauss se convirtió en catedrático de matemáticas en Gotinga en 1807, y permaneció en
ese puesto hasta su muerte en 1855. Aun después de su muerte, su espíritu matemático que- -2 -2 -5 -1
dó para tormento de los matemáticos del siglo diecinueve. Frecuentemente ocurría que al-
gún supuesto nuevo resultado importante ya había sido descubierto anteriormente por Gauss
2 3 o -1
y podía ser encontrado en sus notas no publicadas. 2
En sus escritos de matemáticas, Gauss era un perfeccionista y es quizá el último matemá-
-5 11 o -1
tico que sabía todo de su materia. Defendiendo el punto de vista de que una catedral que
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES
1.6 • m Ecuaciones en n incógnitas: Eliminaciones de Gauss-Jordan y gaussiana

1 o -1 1 oo
o 1 2 o l o
f1e,mo,ro 3 Resuelva el sistema
( (
oo 1 oo l 2x 1 + 4x 2 + 6x 3 = 18

De nuevo fácilmente "vemos" la solución x 1 3. 4x 1 + 5x 2 + 6x 3 = 24 (6)

2x 1 + 7x 2 + 12x 3 = 40

t.Je1m1J1IO i Resolver el siste.ma Solución Usaremos la forma de la matriz aumentada y procederemos exactamente co-
mo en el Ejemplo 2 para obtener, sucesivamente, los siguientes sistemas. (No-
+ 4x 2 + 6x 3 = 18
ternos que en cada paso, usamos las operaciones (i) o (ii).)
+ + 6x 3 = 24

Solución Observemos que este sistema

+ + 12x 3 = 30
escribirse como Ax = b, en donde G
4 6
5 6
7 12
18)
40
3
24 ~ 4_5 6
2 7 12
e2 ~4)
40

e -~2) (~
~J
4 A,,,(-4)
2 3 2 3
Al.3(-2) O
A= 5 : ) , X= y -3 -6 M,H) 2
7 12 o 3 6 22 \o 3 6

(1 o o
! )-~~+o o ~)
-1 -1
Para resolverlo procedemos como en el Ejemplo 1, expresando primero el sis- A..,(-2)
Ai,3(-3) Ü
tema como una matriz aumentada: 2 1 2
o o o 10 o
4 6
5 6
18)
24 La última ecuación queda Ox1 + Ox2 + Ox3 = 1, lo que es imposible ya que O* 1.
7 12 30 Así, el sistema (6) no tiene solución.
Se obtiene sucesivamente,

~4)
2 3
-~2)
2 3
5 6 Veamos otra vez estos tres ejemplos. En el Ejemplo 1 empezamos con la
7 12 30 G 3
3
-6
6 12
matriz
2 4
A1 = 4 5
(

·(~o ~3 ~6 :)
12
3 1
En el proceso de reducción por renglones A 1 fue "reducida" a la matriz

Esto equivale al sistema de ecuaciones

R1= ~ (1 oo oº)
1
1
En el Ejemplo 2 empezamos con

~2)
4
Hasta aquí puede llegarse. Hay sólo dos ecuaciones en tres incógnitas x 1, x 2 ,
X 3 y puede haber un número infinito de soluciones. Para ver esto, elíjase x 3 • En- A, =G 5
7
tonces X2 = 4 2x3 y x 1 = 1 + x 3 • Esto es una solución para cualquier número
X 3 • Escribimos estas soluciones en la forma vectorial (1 + x 3 , 4 - 2x3 , x 3 ). Por
y terminamos con
ejemplo, si x 3 = O, se obtiene la solución (1, 4, O). Para x 3 = 10, resulta la o
solución (11, -16, 10).
R,=G 1
o
-D
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.6 • m Ecuaciones e.n n incógnitas: Eliminaciones de Gauss-Jordan y gaussiana

En el Ejemplo 3 empezamos con

fJE~ms,lo 5 Las siguientes matrices están en forma escalonada:

y, otra vez, terminamos con

A, =G
4
5
7 u i.
e
~
2

o
1 ii. (~
-1 6
1 2
o o -~)
(~
3 2
m. (~ o
~) (~ ~)
2
iv. 1 3
o o v.

R,=G 1
o
-n 1
o o

Las matrices R 1, R 2 y se denominan formas escalonadas reducidas de

las matrices A 1, A 2 y A 3 , respectivamente. En general, tenemos la siguiente
definición.
Definición 1 Forma escalonada reducida. Una matriz está en forma escalonada reducida si se
cumplen las cuatro condiciones siguientes:
La diferencia entre estas dos formas debe ser clara a
Observación 1. de los
ejemplos. En la forma escalonada todos los números que están abajo del
mer 1 de un renglón son cero. En la forma escalonada reducida todos los nú-
meros que están arriba y abajo del primer 1 de un renglón son cero. la
forma escalonada reducida es más exclusiva. Esto es, matriz en for-
ma escalonada reducida está en forma escalonada pero no inversamente.

i. Todos los renglones que consisten únicamente de ceros (si existen) apare- Observación !1.Siempre podemos reducir una matriz a la forma escalonada re-
cen en la parte de abajo de la matriz. ducida o a la forma escalonada realizando elementales de
ii. El primer número distinto de cero (si empezamos por la izquierda) en cual- Hemos visto esta reducción a la forma escalonada reducida en los
quier renglón que no consista únicamente de ceros es 1. 1, 2 y 3.
iii. Si dos renglones sucesivos no consisten únicamente de ceros, entonces el
primer 1 en el renglbn inferior está más a la derecha que el primer 1 del
renglbn superior. Como hemos visto en los Ejemplos l, 2 y 3, existe una fuerte conexión entre
iv. Cualquier columna que contenga el primer 1 de un renglbn tendrá ceros la forma escalonada reducida de una matriz y la existencia de una única solu-
en los demás lugares. ción al sistema. En el Ejemplo 1, la forma escalonada reducida de la matriz de
coeficientes (esto es, las tres columnas de la matriz ....... J,,,...,,n._._.._. ....
un 1 en cada renglón y existe una única solución. En los ~"~H•IU'"-'"
ma escalonada reducida de la matriz de coeficientes tiene un ceros
el sistema no tiene solución o tiene un número infinito de soluciones. Esto
4 Las siguientes matrices están en forma escalonada reducida: resulta ser cierto sistema con
dones que de incógnitas. Antes de ir al caso h"'''"''-u'
o o o
i. 1
o 0 ü. G ~) 1 o
o o
m.
... (1O o o
o 1
de la forma escalonada de una matriz. Es
1 reduciendo la matriz de coeficientes a su forma escalonada.

o 2 f.Je~mi)IO 6 Resuelva el sistema del 1 reduciendo la matriz de coeficientes su for-

iv. (~ ~) v. 1 3
o o
ma escalonada.

Solución Empezamos como antes:

4 6 2 3
De:wuc1tj~f1 ~ Forma escalonada. Una matriz está en forma escalonada si se cumplen las con-
5 6 5 6
diciones (i), (ii) y (iii) de la Definición l. 1 2 -2
40 CAPÍTULO 1 ° SISTEMAS DE ECUACIONES LINEALES Y MATRICES
1.6 • m Ecuaciones en n incógnitas: Eliminaciones de Gauss-Jordan y gaussiana

2 3 En general, un sistema de m x n, de m ecuaciones lineales en n ,_....,~,,_,F,,., •...._..,

(~
2 3
-3 -6 está dado por:
2
-5 -11 -5 .-11 a11X1 + a12X2 + a13X3 + . . . a1nXn = bl

Hasta ahora, el proceso es el mismo que se hizo anteriormente. Sin embargo, a21X1 + a22X2 + a23X3 + ... + a2nXn = b2

después solamente hacemos cero el número (-5) abajo del primer 1 del segun- G3¡ X¡ + G32X2 + G33X3 + · · · + a3nXn = b3 (7)
do renglón:
am1X1 + am2X2 + am3X3 + · · · + amnXn = bm

~(~ ~ ~ !)~
2 3
1 2
El sistema puede ser escrito en la forma
o o -1 -3 o J Ax= b
donde
Ahora, tanto la matriz aumentada del sistema (como la matriz de coeficientes)
están en forma escalonada y vemos inmediatamente que x 3 = 3. Usaremos en-
tonces sustitución hacia atrás para despejar x 2 y luego x 1 • La segunda ecuación
A= X= y
es X2 + 2x3 = 4. Así, x 2 + 2(3) 4 y x 2 = -2. De igual forma, de la prime-
ra ecuación obtenemos x 1 + 2(-2) + 3(3) = 9 ó x 1 = 4. Por consiguiente he-
mos obtenido de nuevo la solución (4, -2, 3). Este método de solución se llama
eliminación gaussiana. En este sistema t~das las a y b son números reales dados. El problema es en-
contrar todos los conjuntos den números, denotados por X2, X3, • • ·, •
que satisfagan cada una de las m ecuaciones de (7). El número ªu es el coefi-
ciente de la variable xi en la i-ésima ecuación. .
Tenemos, por tanto, dos métodos para resolver nuestros sistemas de ecua- Resolvemos el sistema (7) escribiendo el sistema como una matnz aumenta-
ciones:
da y reduciendo por renglones la matriz a su forma escalonada reducida. ,
zamos dividiendo el primer renglón entre a 11 (operación elemental de renglon
(i)). Si a 11 = O, entonces podemos intercambiar* l~s ecuaci?ne~ de for~a
i. Eliminación de Gauss·Jordan: que la nueva a11 sea diferente de cero. Usamos despues esta pn~ern ecuac10n
Reducir la matriz de coeficientes a la forma escalonada reducida. para eliminar los términos en x 1 de cada una de las otras ecuac10nes (u~~ndo
la operación elemental de renglón (ii)). Luego, la se~~nda nueva ecua~10~ se
u. Eliminación gaussiana divide entre el nuevo término a22 y esta nueva ecuac10n se usa para ehmmar
Reducir la matriz de coeficientes a la forma escalonada, despejar la úl- los términos en x 2 de las demás ecuaciones. Este proceso se continúa hasta
tima incógnita y luego usar sustitución hacia atrás para"""',.,....,,,.,,. que ocurra una de las tres situaciones siguientes:
incógnitas.

i. La última ecuacibn diferente de cerot queda x n = e para al~u~a.

¿Cuál de estos dos métodos es más útil? Depende. Si se resuelven sistemas de
ecuaciones en una computadora la eliminación gaussiana es el método más usa-
do, ya que requiere menos operaciones elementales sobre renglones. Discutire-
mos la solución numérica de sistemas de ecuaciones en las Secciones 7.2 y 7.3.
Por otro lado, hay ocasiones en las que es necesario obtener la forma escalona-
da reducida de una matriz (en caso de éstos es discutido en la Sección 1.8). En
estos casos el método usado es el de la eliminación de Gauss-Jordan.
Veamos ahora la solución de un sistema general de m ecuaciones en n incóg-
nitas. Dado que lo necesitaremos en la Sección 1.8, resolveremos la mayoría
de los sistemas por la eliminación de Gauss-Jordan. Tengamos en mente, sin
embargo, que la eliminación gaussiana es, en ocasiones, el método preferido.
tante c. Entonces hay una única solucibn o hay un número mf1mto
soluciones para el sistema.
ii.La última ecuacibn diferente de cero queda a[ixi +aL+1X¡+1 + ·.· ·
= e para alguna constante e donde al menos dos de las a
diferentes de cero. Esto es, la última ecuacibn es una ecuación
en dos o más de las variables. Entonces existe un número infinito
soluciones.
* Para intercambiar un sistema de ecuaciones simplemente escribimos las mismas ecu~,ciones en
diferente orden. Por ejemplo, la primera ecuación puede convertirse en la c~arta ecuac1~n, la ter-
cera ecuación puede convertirse en la segunda ecuación, etc. Esta es una sene de operac10nes ele-
mentales de renglón (iii).
t La "ecuación cero" es la ecuación O O.
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES
1.6 • m Ecuaciones en n incógnitas: Eliminaciones de Gauss-Jordan y gaussiana
m. La última ecuación queda O e donde e =f::. O. Entonces no existe solu-
la demanda externa podría verse como la demanda hecha por otro país. Segun-
ción. En este caso decimos que el sistema es inconsistente. En los ca-
do hay una demanda hecha a una industria por otra del mismo sistema. Ef(
sos (i) y (ii) se dice que el sistema es consistente.
los' Estados Unidos, por ejemplo, hay una demanda de productos de la indJi~-
tria acerera hecha por la industria automotriz. /
Usemos e¡ para representar la demanda externa hecha a la i-ésima industria y
a¡ para representar la demanda interna hecha a la i-ésima industria ·por la
)-~sima industria. Más precisamente, ªu representa el número de unidades del
producto de la industria i necesario para producir una unidad del producto de
la industria). Hagamos que X¡ represente la producción de la industria i. Supo-
nemos que la producción de cada industria es igual a su demanda (esto es, no
+ =6 1

sobreproducción). La demanda total es igual a la suma de las demandas

interna y externa. Para calcular la demanda interna de la industria 2, por
Solución Escribimos el sistema como una matriz aumentada y la reducimos por renglón: ejemplo, notamos que la industria 1 necesita a 21 unidades producidas por la
industria 2 para generar una unidad de su producción. Si lo que produce la 1
3
5
-5
-2 ! 1 :) ~(~
3 -5
-1 8 ~I
es x 1 entonces a21 x 1 es la demanda total a la industria 2 por la industria 1. Así,
la demanda interna total de la industria 2 es a 21 x1 + a22X2 + · · · + a2nXn.
Llegamos así al siguiente sistema de ecuaciones obtenido de igualar la de-
3 -5 o 19 71 manda total con la producción de cada industria:
1 -8 1 -8 -2
a11X1 + a12X2 + · · · + atnxn + ei = X1
Esto es todo lo que podemos hacer. La matriz de coeficientes está en forma es-
calonada reducida Evidentemente hay un número infinito (8)
de soluciones. Las variables x 3 y x 4 pueden ser escogidas arbitrariamente. En-
tonces, x 2 2 + 8x3 + y x 1 = -2 Por lo tanto todas las
soluciones están representadas por 2 + + X3,
Por ejemplo, si x 3 = 1 y x 4 = 2, obtenemos la solución 14, 1,
O, escribiendo (8) en la forma del sistema (7), obtenemos
(1 a11)x1 - a12X2 - ... - a1nXn =el

Como se verá de resolver muchos los cálculos se

convertir en algo muy complicado. Es una buena regla usar calculadora cuan-
do las fracciones se vuelven muy Sin es necesario notar
que si los cálculos se llevan a cabo en una calculadora o en una
se introducir errores por "redondeo". se
Sección 7.. El sistema (9) de n ecuaciones en n incógnitas es muy importante en el análisis
Concluiremos esta sección con tres que ilustran cómo un económico.
de ecuaciones lineales se presentar en situaciones

En un sistema económico con tres industrias supongamos que las demandas

Un modelo usado frecuentemente en Economía es el modelo de m::.,un,tu- externas son, respectivamente, 10, 25 y 20. Supongamos que a 11 = 0.2,
ducto de Leontief. * que un sistema económico tienen industrias. ª12 = 0.5, ª13
= 0.15, ª21=0.4, ª22
= 0.1, ll23 = 0.3, ll3¡ = 0.25, = 0.5 y
Cada industria tiene dos de demanda. Primero está la demanda externa, a33 = 0.15. Encuentre la producción de cada industria de forma que su oferta
que viene de afuera del sistema. Si el sistema es un por entonces iguale a su demanda.

* Llamado así en honor del economista estadunidense W assily W. Leontief. Este modelo fue usado Solución Aquí n = 3, 1 - a 11 = 0.8, 1 - a22 = 0.9 y 1 - a33 = 0.85. Entonces el siste-
en su publicación "Qualitative Input and Output Relations in the Economic System of the United ma (9) es
States" en Review aj Economic Statistics 18(1936): 105-125. Una versión actualizada de este modelo
Ü.8X1 -Ü.5X2 -0.15X3 = 10
aparece en el libro de Leontief lnput-Output Analysis (Nueva York: Oxford University Press, 1966). -Ü.4X1 + Ü.9X2 - Ü.3X3 = 25
Leontief obtuvo el premio Nobel de Economía en 1973 por su desarrollo de este análisis,
-0.25x 1 - Ü.5X2 + Ü.85X3 = 20
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.6 • m Ecuaciones en n incógnitas: Eliminaciones de Gauss-Jordan y gaussiana 45

Usando calculadora para resolver este sistema obtenemos sucesivamente (con X1 + + 2X3 = 25,000
cinco cifras decimales y eliminación de Gauss-Jordan)
X1 + 4X2 + X3 = 20,000
-0.5 -0.15 -0.625 -0.1875 + 5x 2 + 5x 3 = 55,000
( 0.8
-0.4 0.9 0.3 10)
25
M1(cfs)
( -0.4
1 0.9 -0.3
12.5)
25
Resolviendo,
-0.25 -0.5 0.85 20 -0.25 -0.5 0.85 20
-0.625 -0.1875 3 2 25,000)
Au(0.4)
Au(0.25) 12.5 )
4 20,000
G 0.65
-0.65625
-0.375
0.80313
30
23.125 G 5 5 55,000

(~o ~o ~
A,,(-1) ( 3 2 25,000)
-0.625 -0.1875 0

(~
Au(-2)
12.5 ) -1 -5,000
1 -0.57692 46.15385
o -1 5,000 o
-0.65625 0.80313 23.125
De este modo, si x 3 se elige en forma arbitraria, tenemos una infinidad de so-
A 2 • 1 (0.625)
A 2 . 3 (0.65625) o -0.54808 41.34616)
luciones dadas por (40,000 - 5x3 , x 3 5,000, x 3 ). Desde luego, debemos
1 -0.57692 46.15385
Go 0.42453 53.41346
cumplir con las desigualdades x 1 2:: O, x 2 2:: O y x 3 2:: O. Como x 2 = X 3 -
5,000 2:: O, tenemos que x 3 2:: 5,000. Esto significa que O :=; x 1 :=; 40,000 -
M 3 (1/0.42453)
o -0.54808 41.34616) 5(5,000) = 15,000. Finalmente, ya que 40,000 - 5x3 2:: O, vemos que x 3 :=;
8,000. Esto significa que las poblacion,es que pueden ser mantenidas por el
Goo o 1 -0.57692
1
46.15385
125.81787 lago son

A,_, (0.54808) ( 1 110.30442) X1 = 40,000 5X3

~
A,_,(0.57692)
1 o 118.74070
I ¡ Xz = X3 - 5,000
o 1 125.81787
5,000 S X3 S 8,000
Concluimos que las producciones necesarias para igualar la oferta y la de-
manda son, aproximadamente, x 1 = 110, x 2 = 119 x 3 126. Por ejemplo, si x 3 6,000, entonces x 1 = 10,000 y x 2 1,000.

s;;111:011uu11u 1O Un departamento de Caza y Pesca Estatal suministra tres

un lago que mantiene a tres especies de peces. Cada pez d(; 1 consu-
me cada semana, un promedio de una unidad del Alimento l, una unidad del Problemas 1.6
Alimento 2 y dos unidades del Alimento 3. Cada pez de la 2, consume
cada semana un promedio de tres unidades del Alimento 1 cuatro unidades En los Problemas del 1 al 20 use la eliminación gaussiana y la eliminación de
del_ Alimento 2 y cinco unidades del Alimento 3. Para un pez de la Especie 3, Gauss-Jordan para encontrar todas las soluciones, si existen, de los sistemas
el consumo semanal promedio es dos unidades del Alimento 1, una unidad del dados.
Alimento 2 y cinco unidades del Alimento 3. Cada semana se proporcionan
al lago 25,000 unidades del Alimento 1, 20,000 unidades del Alimento 2 y 1. X1-2X2+3X3 = 11 2. -2x 1+ x 2 + 6x3=l8
55,000 unidades del Alimento 3. Si se supor.ie que todo el alimento es ingerido, 4X1 + X2 - X3 = 4 Sx1 + 8x 3 =-16
¿cuántos peces de cada especie pueden coexistir en el lago? 2X1 - X2+3X3=10 3x1 +2x 2 -10x3 = -3
3. 3x1 + 6x 2 - 6x3 = 9 4. 3x 1 + 6x 2 - 6x3 = 9
Solución Si denotamos por x 1 , x 2 y x 3 el número de peces de cada una de las tres espe- 2x 1 - Sx 2 + 4x 3 =6 2x 1 - Sx 2 + 4x3=6
cies que son mantenidas por el sistema lacustre, utilizando la información en -x 1+ l6x 2-14x 3 = -3 5x 1 +28x 2 -26x3 = -8
el problema vemos que x 1 peces de la Especie 1 consumen x 1 unidades del Ali- 5. X1+X2- X3=7 6. X1 + X2 - X3 = 7
mento 1, x 2 peces de la Especie 2 consumen 3x2 unidades del Alimento 1, y x 3 4x1 - X2 + 5x3 = 4 4x 1 - X2 + 5x3 = 4
peces de la Especie 3 consumen 2x3 unidades del Alimento 1. Así pues, x 1 + 2x 1+2x 2-3x3=Ü 6x1+x 2+3x 3 =18
7. X1+X2- X3=7 8. x'1-2x 2 +3x 3 =0
3x2 + 2x3 = 25,000 = total de suministro semanal del Alimento l. Obtenien-
4x1-x2+5x3=4 4X1 + X2- X3 = Ü
do una ecuación similar para cada uno de los otros dos alimentos, resulta el
6X1 + X2 + 3X3 = 20 2x1- X2+3x3=Ü
siguiente sistema:
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.6 m Ecuaciones en n incógnitas: Eliminaciones de Gauss-Jordan y gaussiana

9. X1+X2- X3=Ü 10. 2x 2 +5x 3 =6 38. Un viajero recién regresado de Europa gastó en alojamiento, por día, $30 dólares
4x1-x 2 +5x3=Ü X1 -2X3=4 en Inglaterra, $20 en Francia y $20 en España. En comidas, por día, gastó $20
6x1 +x2+3x3=Ü 2x1 +4x2 = -2 Inglaterra, $30 en Francia y $20 en España. Adicionalmente, desembolsó $10 por
11. X1+2X2 - X3 = 4 12. x 1 +2x 2 -4x 3 = 4 día en cada país en gastos varios. El registro de nuestro viajero indica que gastó
3x1 +4x2 -2x3 = 7 -2x1 -4x2+8x3 = -8 un total de $340 en alojamiento, $320 en alimentación y $140 en gastos varios en
13. X1+2x2-4X3=4 14. X1 +2x2- X3+X4=7 su recorrido por estos tres países. Calcule el número de días que permaneció el via-
-2x1-4x2+8x 3 = -9 3x 1 +6x 2 -3x3+3x4 = 21 jero en cada país o muestre que el registro debe ser incorrecto, pues las cantidades
15. 2x1 +6x2-4x 3 +2x 4 =4 16. X1 -2x2+ X3+ X4=2 gastadas son incompatibles entre sí.
X1 5'3+ X4=5 3x1 +2x3-2X4 = -8 39. Una inversionista le afirma a un corredor de bolsa, que todas sus acciones son de
-3x1 +2x 2 -2x 3 =-2 4x2- X3-X4= 1 tres empresas, una de aviación, una de hoteles y una de alimentos, y que hace 2
-xi +6x 2 -2x 3 =7 días que el precio de sus acciones bajó en $350 pero que subió a $600 el día de ayer.
17. X1-2X2+ X3+ X4=2 18. 2X2 + X3 + X4 = 2
X1 - El corredor recuerda que hace dos días el precio por acción de la compañía de avia-
3x1 +2x3-2X4 = -8 3X1 + 2X3 -- 2X4 = -8 ción bajó $1, que el de la compañía de hoteles bajó $1.50, pero que el de la de los
4X2 - X3 - X4 = 1 4X2 - X3 - X4 = 1 alimentos subió $0.50. También recordó el corredor que el día de ayer los precios
5x1 +3x 3 - X4=-3 5x1 +3x3- X4=0 por acción de las tres compañías se comportaron como sigue. Subió el de aviación
19. X1+ X2=4 20. X1 + X2=4 $1.50, el de hoteles cayó $0.50, y el de la de alimentos subió $1. Muestre que el
2x 1 =7 2x1-3x2=7 corredor no posee información suficiente para calcular el número de acciones de
3x1+2x 2 =8 3x1-2x2=11 las que es dueña la inversionista, pero que cuando ella diga que tiene 200 acciones
En los Problemas del 21al29 determine si la matriz dada está en forma escalo- de la empresa alimenticia, entonces sí es posible determinar et número de accio-
nes restante.
nada (pero no en forma escalonada reducida), en forma escalonada reducida
o en ninguna de las dos. 40. Un espía sabe que están estacionados 60 aeroplanos -aviones de caza y
bombarderos- en un cierto aeropuerto secreto. El agente quiere determinar cuán-
o
21. 22.
23. Go o 1
tos aeroplanos hay de cada clase. Existe un cierto tipo de cohete que es portado
por ambas clases de aviones; el avión caza porta seis de estos cohetes y el bombar-
dero dos. El agente averigua que se requieren 250 cohetes para poder armar a todos
los aeroplanos del aeródromo secreto. Más aún, el agente oye que existen dos veces
1 o 1
24. 25. 26.
(0 3 !) más aviones cazas que bombarderos en la base aérea en cuestión (esto es, el número
de aviones cazas menos dos veces el número de bombarderos da cero). Calcule el
número de interceptores y de bombarderos o muestre que la información del agente
o o
27. 28. 29. G 1
o
1
es incorrecta, por ser incompatible.

41. Considere el sistema

En los Problemas del 30 al 35 use operaciones elementales de renglón para re-

ducir las matrices dadas a forma escalonada y a forma escalonada reducida. -5x1 5x 2 + 21x 3 =e
Muestre que el sistema es inconsistente si e 2a - 3b.
G ~) ~)
1 1 =I=

30. 31. (-: 32. (

~ -~
-l
: ) Considere el sistema

33. u !) -~ 34. G -4 -~) 35. (~ -~)

4 -3
36. En el modelo de Leontief de insumo-producto del Ejemplo 8 suponga que hay tres
3X1 + 7 X2 - 5 X3 = C

Encuentre condiciones en a, by e de forma que el sistema sea consistente.

industrias. Suponga además que e 1 = 10, e2 = 15, e3 = 30, a11 = L a12 = L Considere el sistema general de tres ecuaciones lineales en tres incógnitas:
a13 = t a 21 = L a22 = i, a23 = i, a 31 12., a32 = ~ y a33 = i;. Encuentre la pro-
ducción de cada industria suponiendo que la oferta es igual a la demanda.

37. En el Ejemplo 10, suponga que se suministran al lago 15,000 unidades del primer
alimento, 10,000 del segundo y 35,000 del tercero. Suponiendo que los tres alirnen- a 31 X 1 + a32X2 + a33X3 = b3
tos se consumen, ¿qué población de cada especie se encontrará en coexistencia? Encuentre condiciones en los coeficientes ªude forma que el sistema tenga una úni-
¿Existe una única solución? ca solución.
48 CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.7 • Sistemas homogéneos de ecuaciones 49
44. Resuelva el siguiente sistema usando una calculadora e incluyendo cinco cifras de- Observamos que ( 1) se puede expresar como
cimales de exactitud:
2X2 - X3 - 4X4 = 2
Ax =0
en donde
X1 - X2 + 5 X3 + 2X4 = -4

e ª1) X=(::) (~): I

ª12
3X1 + 3X2 - 7 X3 - X4 = 4
ª21 ª22 ª2n mmo•
A= . ' y
-xi -2x2+3x3 = -7 º=
45. Haga lo mismo" para el sistema aml am2 amn o
3.8X1+1.6X2 + Ü.9X3 = 3.72
-0.7x 1 +5.4x 2 + l.6x 3 = 3.16
1.5x 1+1. lx 2-3.2x 3 = 43.78 Ejemplo 1 Resuelva el sistema homogéneo
En los Problemas del 46 al 51 escriba el sistema dado en la f arma Ax b. 2x 1 + 4x 2 + 6x 3 = O
46. 2X1 X2 = 3 47. X1-x2+3x3=11 4x 1 + 5x 2 + 6x 3 = O
4x 1 +5x 2 =7 4X1+X2- X3=-4
3x 1 + x 2 - 2x 3 = O
2x1-x2+3x3=10
48. 3x 1+6x 2-7x 3 =0 49. 4X1-X2+ X3- X4=-7 Solución Esta es la versión homogénea del sistema del Ejemplo 1.6.1. Puede ser escrito
2X1 - X2+3X3=1 3x1+x2-5X3+6x4= 8 en la forma Ax = O donde A y x son como en el ejemplo citado y
2x1 -x2+ X3 9
50. X2-X3= 7 51. 2x1 + 3x2 - X3 =O
X1
3x1 +2x2
+X3 = 2
= -5
-4x 1+ 2x2 + x3 = O
7x1+3x2-9X3 =O 0= G)
Reduciendo en forma sucesiva, se obtiene (después de dividir la primera ecua-
ción entre 2)
1. Sistemas homogéneos de ecuaciones
º)º~º(1 ~)
(~ ~)~e
2 3 2 3 2 3
A,,(-4)
El sistema general de ecuaciones lineales de m x n, sistema (1.6. 7), se conoce 5 6 -3 -6 1 2
como homogéneo si todas las constantes b 1 , b2 , ••• , bm son cero. Esto es, el -2 o o -5 -11 -5 -11

G º)
sistema homogéneo general está dado por
o o
a11X1 + a12X2 + . ' ' + a1nXn = Ü
A,.,(-2) (
~o 1
-1
2 ~) M,(-l)
1 2 Ü

o
A,,(l) (
_Al,2(-Z) . Ü Ü
1o o
,o o 1 o
º)
a21X1 + a22X2 + ' ' ' + a2nXn = Ü o o -1 o
(1)
Así, el sistema tiene como única solución al (0,0,0). Esto es, el sistema sola-
mente tiene la solución trivial.

Ejemplo 2 Resuelva el sistema homogéneo

Los sistemas homogéneos surgen de varias maneras. Veremos una de és tas 1

en la Sección 4.4. En esta sección resolveremos algunos sistemas homogéneos, X1 + 2X2 - X3 =Ü

usando nuevamente el método de eliminación de Gauss-J ordan. 3x 1 - 3x 2 +2x 3 =0
Para el sistema general lineal hay tres posibilidades: no hay solución, hay
una o hay un número infinito de soluciones. Para el sistema general homogé- -x 1 -llx 2 +6x 3 =O
neo la situación es más simple. Como x 1 = x 2 = · · · = x n = O siempre es una Solución Reduciendo con eliminación de Gauss-Jordan obtenemos, sucesivamente,
solución (llamada la solución trivial o la solución cero), solamente hay dos
posibilidades: la solución cero es la única solución o hay un número infinito 2 -1 2 -1
de soluciones además de la solución cero. (Las soluciones distintas de la solu- -3 2 -9 5
ción cero se conocen como las soluciones no triviales). -11 6 -9 5
 1. 7 • Sistemas homogéneos de ecuaciones
50 CAPÍTULO 1 • SISTEMAS·DE ECUACIONES LINEALES Y MATRICES

o Existe una relación fundamental entre los sistemas homogéneos y los no ho-
2
mogéneos. Sea A una matriz m X n,
1 1
m ceros
-9 o
La matriz aumentada está en forma escalonada reducida y, evidentemente, X= h= y
\
0=
hay un número infinito de soluciones dadas por (-!x 3 , Si x~ = O, por
ejemplo, obtenemos la solución trivial. Si x3 = 1 obtenemos la solucibn
(-!, ~' 1). El sistema general no homogéneo se puede escribir como
Ax= b (3)
Ejemplo 3 Resuelva el sistema Con A y x como en (3), se define el sistema homogéneo asociado por
X1 + X2- X3 =Ü (2) Ax= O. (4)
4x 1 -2x 2 +7x 3 =O
Solución Reduciendo por renglones obtenemos Teorema R Sean x 1 y x 2 soluciones del sistema no homogéneo Entonces su diferencia
x1 - x2 , es una solución del sistema homogéneo asociado

-2
1
-~¡ ~)-~ (~ 1 -1
-6 11
1 º)o por la ley distributiva (7)
(en la página 25)

G~ =~ ~) 1 A,,(-1) G~ -~1\ ~) Demostración = b - b =O. 11

Así, hay un número infinito de soluciones dadas por (-~x 3 , _lfx 3 , x 3 ). Esto era Corolario Sea x una solución particular del sistema no homogéneo (3) y sea y otra solu-
de esperarse ya que el sistema (2) tiene tres incógnitas y sólo dos ecuaciones. ción de (3). Entonces existe un vector h que es solución del sistema homogéneo
(4) de modo que
(5)

De hecho, si hay más incógnitas que ecuaciones, el sistema homogéneo (1) Demostración Si h se define por h = y - x, entonces h es solución de (4) por el Teorema 2
siempre tendrá un número infinito de soluciones. Para ver esto, notemos que si y la relación (5) es inmediata.
la única solución es la trivial entonces Ja reducción por renglón nos lleva al sis-
El Teorema 2 y su corolario son muy útiles. Expresan que
tema
=0
Para encontrar todas las soluciones del sistema no homogéneo
=O cesario encontrar sólo una solución a (3) y todas las soluciones ""r' 0 ··~r1.-.
al sistema (4).

Observación.Un resultado similar vale para las soluciones de ecuaciones dife-

y, posiblemente, a ecuaciones adicionales de la forma O= O. Pero este sistema
tiene al menos tantas ecuaciones como incógnitas. Debido a que la reducción
por renglón no cambia ni el número de ecuaciones ni el número de incógnitas,
tenemos una contradicción a nuestra suposición de que hay más incógnitas que
ecuaciones. De aquí tenemos el Teorema 1.
renciales homogéneas y no homogéneas (véanse los Problemas 23 y 24). Una
de las muchas características atractivas de las matemáticas es la cercana inte-
rrelación que muestra entre temas aparentemente lejanos.
LJ!Ei•",."'"' 4 U san do el resultado anterior, encuentre todas las soluciones del sistema no ho-
mogéneo

+ (6)
Teorema 1 El sistema homogéneo (1) tiene un número infinito de soluciones si n > m. + 8x 3 =
52 CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.7 • Sistemas homogéneos de ecuaciones

Solución Primero se halla una solución usando reducción por renglones: 11. 2X1 - X2 = Ü 12. X1 - 3X2 = Ü

u 2) ~o(1 3x1 +5x2 =O -2x1+ 6x2=0

2 -1 2 -1 7x1 -3x2 =O
A,,(-2) 4x 1-12x 2 =0
3 5 5 -1 7
-3 8 1 o 7 D 13.
-2x1 +3x2 =O
X1+ X2- X3=Ü
4x 1- X2 + 5x3 =O
o 13 -2x1+ X2-2X3=Ü

G
-1
o
7
o D
Vemos que existe un número infinito de soluciones. Haciendo x 3 = O (se pue-
3x1+2x2-6x3=Ü
l4. Muestre que el sistema homogéneo
a11X1 + a12x 2 =O
de usar cualquier otro número) obtenemos x 1 = 4 y x 2 = -1. De este modo, a21X1 + a22X2 = Ü
una solución particular queda dada por xP = (4, -1, O).
tiene un número infinito de soluciones si y sólo si el determinante del sistema es
La reducción por renglones del sistema homogéneo asociado, nos lleva a cero.
o 15. Considere el sistema

o ~)
13
-1 7 2x1 - 3x 2 + 5x 3 =O
o + 7 X2 - X3 = Ü
- X1

4x1 l lx 2 + kx 3 =O
Por lo tanto, todas las soluciones del sistema homogéneo satisfacen las relaciones
¿Para qué valor de k este sistema tiene soluciones no triviales?
* 16. Considere el sistema homogéneo de 3 x 3
o lo que es lo mismo,
xh = (x 1 , x 2 , x 3 ) = ( -13x 3 , 7x 3 , x 3 ) = x 3 ( -13, 7, 1)
De esta manera podemos escribir cada solución del sistema (6) como
a31X1 + a32X2 + a33X3 =O
x = xP + xh = (4, 1, O) + x 3( -13, 7, 1) Encuentre condiciones en los coeficientes a¡¡ de forma que la solución cero sea la única
sujeta a la elección de un valor apropiado de x 3 • Por ejemplo, para x 3 = O, solución.
se obtiene la solución (4, -1, O), mientras que si x 3 = 2 resulta (-22, 13, 2). uutcr,r¡¿u todas las soluciones a los sistemas no
homogéneos dados. una solución y des-
hallando todas las soluciones del sistema nurm1J!t~ne·u
Problemas 1. 7 17. X1 - 3X2 = 2 18. X1 - X2 + X3 = 6
-2X1 + 6X2 = -4 - 3x 2 + = 18
X¡ Xz - X3 = 2 20. X1 - X2 - X3 = 2
En los Problemas del 1 al 13 encuentre todas las soluciones a los sistemas ho-
2x 1 + x 2 = 4 + x2 + = 4
mogéneos. x 1 - 4x 2 - 5x 3 = 2 x1 - = 2
1. 2X¡ X2=Ü 2. X1-5X2=Ü 21. X1 + X2 X3 + 2X4 = 3 X1 - X + X3 X4 = -2
2
3X1 +4X2 = Ü +5X2 = Ü
-X¡ 3x 1 + + x3 - x4 = 5 + 3x 2 - x3 + 2x 4 = 5
3. X¡+ X2-X3 = Ü 4. X¡+ X2- X3=Ü 4x 1 - 2x 2 + 2x 3 3x 4 = 6
2x 1-4x2+3x 3 =O 2x1-4x2+3x 3 =O Considere la ecuación diferencial lineal y homogénea de segundo grado
3x1+7x2- X3=Ü -xi -7x2 + 6x 3 =O
5. X¡+ X2- X3=Ü 6. 2X1 + 3X2 - X3 = Ü y"(x) + a(x)y'(x) + b(x)y(x) =O (7)
2x1 4x 2 + 3x 3 =O 6x1 -5x2 +7x 3 =O donde a(x) y b(x) son continuas y de la función incógnita y se supone que posee
-5x 1+13x2-10x 3 =O segunda derivada. Demuestre que si y 1 , y 2 son soluciones de (7), entonces c 1y 1 +
7. 4X¡ X2 = Ü 8. X¡- X2+7x3-X4=Ü C2 Yz es también solución para cualesquiera constantes y y Yz·
1
7x 1+3x 2 =O 2x1+3x2-8x 3 + X4 =O Suponga que Yp y y q son soluciones del sistema no homogéneo
-8x1 +6x 2 =O
9. X 1- 2X2 + X3 + X4 = Ü 10. -2x1 +7x 4 O y"(x) + a(x)y'(x) + =f(x) (8)
3x 1 + 2x 3 - 2x 4 =O x 1+ 2x2 - X3 + 4x4 = O Demuestre que Yp Yq solución de (7).
4X2 - X3 - X4 = Ü 3x 1 X3+5x4=Ü
5X¡ + 3X3 - X4 = Ü 4x 1+2x 2 +3x3 =O * El símbolo O indica que se requiere cierto conocimiento del Cálculo para resolver el problema.
 1.8 • La inversa de una matriz cuadrada 55
CAPÍTULO 1 SISTEMAS DE ECUACIONES LINEALES Y MATRICES

Demostración Sea cu el elemento de Entonces

1 + + ... + + ... +
En esta sección definimos dos clases de matrices que tienen un
te en la teoría de matrices. con un por esta suma es igual a ªu· Así, =A. De forma similar podemos
3 mostrar que In A = A y esto prueba el teorema. llJ
yB= Entonces un cálculo muestra que AB =
A=

La matriz 12 se conoce como la matriz identi- Notación De aquí en adelante escribiremos la matriz identidad como
BA = donde 12
pues si A es den x n, los productos JA y Al están definidos sólo si I es también
dad de 2 x 2. La matriz B se conoce como la inversa de A y se escribe como den x n.
A
Matriz identidad. La matriz identidad de n x n es la matriz de n x n en la que
las componentes de la r1rnro-nnr11 ,,...,,.;,.,,,,.,,,,,,n,~ son 1, y O en todas las demás
ciones. Esto es, AB=BA=

Entonces B se conoce como la inversa de A y se escribe A - 1 • Así tenemos

Si A tiene una inversa entonces decimos que A es invertible.

1 o o o
o 1 o o Observación 1. Se inmediatamente de esta definición que =A si
y o o 1 o A es invertible.
[3 = 1 Is=
o o o o 1
Esta definición no establece que toda matriz cuadrada tenga una
Observación !l.
o o o o inversa. De hecho hay muchas matrices cuadradas que no tienen inversa.
el Ejemplo 3 siguiente.)

En la Definición 2 definimos la inversa de una matriz. Esta afirmación

Teorema 1 Sea A una matriz cuadrada den x n. Entonces que las inversas son únicas. En el teorema siguiente veremos que éste es el caso.

Teorema 2 Si una matriz cuadrada A es entonces su inversa es única.

Demostración que B y C son dos inversas para A. Podemos mostrar que B

C. Por definición tenemos AB = BA = A C = CA l. Entonces
Esto es, In conmuta con cualquier matriz den X n Y la deja intacta dela BI = By = IC = C. Pero B por la ley asociativa de
1111.uuq...11;'"'ª"''""'" por la izquierda o por la derecha. la multiplicación de matrices. Así, B = C y el teorema está demostrado. 11J

Nota. J juega el mismo papel para las matrices de n x n, que el número damos otro hecho importante referente a matrices inversas.
para losn números reales 1 . a = a · 1 = a para cualquier número real
Teorema 3 Sean A y B matrices invertibles de n x n. Entonces AB es invertible y

* La diagonal principal de A = (a,) consiste de las componentes ª11, ªw G33, etc. A rne~os que
se especifique otra cosa, nos referiremos a la diagonal principal simplemente como la dwgonal.
56 CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.8 • La inversa de una matriz cuadrada 51
Demostración Para demostrar este resultado nos referimos a la Definición 2. Esto es; -4x + 5z =O (5)
B- 1A - 1 = (AB)- 1 si y sólo si B- 1A - 1(AB) = (AB)(B- 1A- 1 ) = /. Pero

esto se desprende puesto que - 4y + 5w = 1

Ecuación (6) en la página 25 Este es un sistema de cuatro ecuaciones con cuatro incógnitas. Nótese que exis--

y
(B- 1 A - 1 )(AB) ¡;;_ 1 1
(A - A)B = B- IB = B- B = I
1 1 ten dos ecuaciones que contienen ax y z solamente [ecuaciones (3) y (5)] y dos
ecuaciones que contienen las variables y, w [ecuaciones (4) y (6)]. Escribimos
(AB)(B- 1 A - 1 ) = A(BB- 1 )A- 1 = AIA- 1 = AA- 1 = I. 11 estos dos sistemas en la forma de matriz aumentada:

Considere el sistema de n ecuaciones en n incógnitas

Ax= b,
2
( -4
-311)
5 o
(7)

y suponga que A es invertible. Entonces

A - 1 Ax = A - 1 b (si multiplicamos el primer miembro por A - 1
)
( -42 -31º)
5 1
(8)

Ahora bien, sabemos de la Sección 1.6 que si el sistema (7) las variables
Ix = x x, z) tiene una solución única, entonces la eliminación de Gauss-Jordan de
resulta en
Esto es,

en donde (x, z) es el par único de números que satisface 2x - 3z = 1 y -4x +

5z = O. Similarmente, la reducdón por renglones de (8) conduce a
Esta es una de las razones por las que se estudian las inversas de matrices.

Una vez definida la inversa de una matriz, ocurren dos preguntas en forma
inmediata:

1. ¿Qué matrices son aquéllas que poseen inversa?

donde (y, w) es el par único de números que satisface - 3w = O y simultá-
neamente, -4y + 5w = l.
2. Si una matriz tiene inversa,
Como las matrices de coeficientes en son las reali-
zar simultáneamente la reducción por en las dos matrices aumenta-
Contestaremos ambas preguntas en esta sección. Antes de dar lo que
das, utilizando la nueva matriz aumentada
parecer un conjunto de examinaremos el caso de 2 X 2.
2 -315 ol
2 1
Sea A = ( Calcular A - , si existe. Si A - 1 es invertible, entonces el sistema definido por y tiene
-4
1 y utilizamos el hecho una solución única, y por lo dicho al efectuar la eliminación
Solución :sunongase que A - 1 existe. Escribimos A -
de Gauss-J ordan resulta que
de que AA l. Entonces

AA- 1 = 2 -35\
¡) + ~1:
Las últimas dos matrices sólo pueden ser si sus componentes correspon- Ahora se realizan los cálculos notando que la en es
dientes son asimismo Esto ,,,"'-.u'"''"'" que A y que la matriz de la derecha en (9) es J:
2x - 3z = 1
311
- 3w =O 5 o
CAPÍTULO 1 SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.8 • La inversa de una matriz cuadrada

Los últimos dos ejemplos ilustran un procedimiento que siempre da resulta-

do cuando se trata de invertir una matriz.

M 2 (-1) (1o 1
1
2
2
Procedimiento para calcular la inversa de una
Paso 1. Escribir la matriz aumentada

(~ ~ 1-2 Paso i. Utilizar reducción por renglones para reducir la matriz A

forma escalonada.
Así pues, x = -~, y= -~, z = w =-1, y A-
1
= (-; -~).Hay que
-1 Paso 3. Decidir si la matriz A es invertible.
verificar la respuesta. Tenemos que (a) Si A puede ser reducida a la matriz identidad /, entonces
la matriz a la derecha de la barra vertical.

( 2 -3)(-~ (~
(b) Si la reducción por renglones conduce a algún
AA i = -4 5 -2 a la izquierda de la barra vertical, la matriz A no es

Observación. Podemos expresar (a) y (b) como sigue

2

De modo que A es invertible y A -- 1

Una matriz cuadrada A es invertible, si y sólo si su forma escalonada,
reducida por renglones, es la matriz identidad.

3 Si A=( 1 2) , calcular A - s1. existe.

. 1
,
2 -4 Sea A = (ª
ª21
11
ª
ª22
12
). Entonces, como en la Ecuación (1 definimos

Solución Si A 1 y)
w existe, entonces

y) (
-~)(:
X+ 2z y+
AA- 1 = w = -2x - 4z
2 -2y
lo cual conduce al sistema Abreviamos el determinante de A como det A.
X + 2z :;:::: l
y + 2w =O Teorema 4. Sea A una matriz de 2 x 2. Entonces:
(10)
-2x - 4z =O i . A es invertible si y sólo si det A* O.
2y -- 4w = 1 ii. Si det A =fa O, entonces
Usando el mismo razonamiento que en el Ejemplo 2, es posible escribir este
sistema en la forma aumentada y reducir por renglones: 1 /)

( ~ -4211o
1

º)1 ~ (lo o 21' 1 º1')

2
No podemos continuar. La última fila dice que O = 2 o que O 1, dependien-
do de cual de los sistemas (el de x, z o el de y, se resuelve. Así pues, conclui-
mos que el sistema (10) es incompatible, y por lo tanto, que A no es invertible. * Esta fórmula puede ser obtenida directamente aplicando el procedimiento para determinar una
inversa (ver el Problema 46).
60 CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.8 • La inversa de una matriz.~ua,Qrada

Demostración Primero supongamos que det A =t=O y sea B = (l/det

ces
A)( ª
-a21
22 -a 12) • Enton-:-
ª11
Solución Encontramos que detA = (1)(-4) - (2)(-2) = -4 + 4
no existe, como vimos en el Ejemplo 3.
=

A 1 ( ª22 -a12) (ª11 ª12)

B = det A -a 21 a11 ª21 ª22 El procedimiento anterior funciona para matrices de n x
traremos esto con una serie de ejemplos.
= 1 (ª22ª11 - ª12ª21
ª11 ª22 - ª12ª21 o

(! ; :)
De la misma forma AB = !, lo que muestra que A es invertible y que B =A - 1•
Debemos aún mostrar que si A es invertible entonces det A* O. Para hacer esto Ejemplo 6 Sea A (vea Ejemplo 1.6.1). Calcule A- 1 si es que existe.
consideremos el sistema 3 -2
a11X1 + a12X2 = bi
(13)
a21X1 + a22X2 = b2 Solución Primero ponemos I en seguida de A en forma de matriz aumentada
Hacemos esto porque de acuerdo con el Teorema Resumen (Teorema 1.2.1), 4 6 o
si este sistema tiene una única solución, entonces su determinante es distinto
o 1
de cero. El sistema se puede escribir en la forma
G 5
1
6
-2 o o D
r
Ax=b (14)
y llevamos a cabo la reducción por renglones.
con x = (::) y b = (!:).Entonces, como A es invertible, vemos de (2) que
G 2
5
3
6
1
2
o 1
o
º)~ 4.,(-4)
~
2
-3
3 1
2 o

D
el sistema (14) tiene una única solución dada por
M,(j)
\ A,n . -6 -2 1
-2 o o -5 -11 -2
3
o
x= A- 1 b
Pero por el Teorema 1.2.1 el hecho de que el sistema (13) tenga una única solu-
!(: oo
i
2 3
2
1
2
2
o
1
º)~~ A, ,(-2)
o -1 -6
5

2
2
3

D
-3 1 2
ción implica que det A ::/= O. Esto completa la demostración. 111
-5 -11
3
o Go -1 11
6
3

o -1 5 2
o o
(~ o
-6 7
3 3
(~
4 A,.,(1)

1 o
2 1
s;n:•·"'""''"' 4 Sea A = - ). Calcule A - 1 si es que existe. 2 A 3 , 2 (-2) 13 11

Solución
3

Se tiene que detA = (2)(3) - (-4)(1) 1O; por consiguiente A- 1 existe. De

-6
3
11

Como ahora A ha sido reducida a I tenemos

3
5
3
-D G o -6
3
11
-3
3
5

la Ecuación (12), resulta

1 ( 3 4) ( fo
1o -1 2 = --lo
-to)
fo
A-1 = ( ~J
11
-3
3
7

11

5
-1) c6
2
-1
= -1
6
26
-11
14
-22 ¡ ~) Snaca i <~mo
factor comun.
-6 3 10 -6
Verificación

A _1 A
2 1 -4)3 =_!_10 (10o 10º) = (1o 1º)
10 -13 4)(2
=_!__ ( Verificación A - = -1
6
C'6 -11
26
14
-22
10
-6)(2
12
-6
4
3
4
5
-2
~) = ~ (~o o
o
6
D=l
y

AA-'=(~ -:i; ~)= (~ ~) También podemos verificar que AA - 1 = /.

Advertencia. Es muy fácil cometer errores numéricos al calcular A- 1• Por tan-

Ejemplo 5 Sea A=(_~ _!)· Calcule A- 1
si es que existe.
to, es esencial verificar los cálculos probando que A-'A = J.
CAPÍTULO 1 SISTEMAS DE ECUACIONES LINEALES Y MATRICES
1.8 La inversa de una matriz cuadrada

4 otra manera de ver el resultado del último Sea b vec-

tor de tres componentes y consideremos el sistema Ax = b. Si tratásemos de
Sea A 1 Calcule A 1
es que existe.
resolver este sistema por eliminación gaussiana, se terminaría con una ecua-
5 ción de la forma O = e i= O como en el Ejemplo 3, o también con O = O. Este
es el caso o (iii) de la Sección 1.6 (ver la página 41). Esto es, el sistema
Solución Procediendo como en el no tiene solución o posee un número infinito de soluciones. La única posibili-
matrices aumentadas: dad que se excluye es la de que el sistema tenga una solución única. Pero si
4 3 1 O· A- 1 existiera, entonces habría una sola solución dada por x = A- 1b. Conclui-
1 -1 o 1 mos pues que
5 7 o o
2 o Si en la reducción por filas de A se termina con una fila de ceros, la
1 matriz A no es invertible.
-1 5
2 o
o 7
2
1
2 -2
o uerm1 cacm 3
1

Matrices por que por medio de ope-

1 -1 1
raciones elementales sobre transformar una matriz A en una
o 1 -1 2
3 matriz B. Entonces se dice que A y B son por ro1'1a1.'l1'U>C'
El razonamiento usado anteriormente se utilizar para la demostración
del siguiente teorema el Problema
A-1=
Teorema 5 Sea A una matriz de n x n.

i. A es invertible si y sólo si A es por a la matriz identi-

o dad · esto es, la forma en escalón por filas reducida de A es
Verificación A - i A = 5
3 1 1 ii. A es invertible si y sólo si el sistema Ax = b tiene solución única para to-
2
3 5 o do vector b de n componentes.
m. Si A es esta solución única está dada por x A - 1b.

-3
-5 . Calcule A 1
si es que existe.
-1
+ 6
Solución Procediendo como antes obtenemos, sucesivamente,

-3 4 1 o -3 4 o + 7
-5 7 o 1 1 -1 --2 1
-1 1 o o -1 o
Solución Este sistema en donde y
5
o 1 -5 3
1 -1 -2
b En el 7 encontramos que A - 1 existe y que
o o -2

Esto es lo más que podemos hacer. La matriz A no se reducir a la matriz

identidad y concluimos que A no es invertible. A-1=
CAPÍTULO 1 SISTEMAS ECUACIONES LINEALES Y MATRICES
1.8 . La inversa de una matriz cuadrada

Así dada por Tabla Demandas internas en la economía de

Estados Unidos en 1958

FN FM BM BN E s
FN 0.170 0.004 o 0.029 o 0.008
En el modelo de FM 0.003 0.295 0.018 0.002 0.004 0.016
se obtuvo el sistema BM 0.025 0.173 0.460 0.007 0.011 0.007
BN 0.348 0.037 0.021 0.403 0.011 0.048
ª11X1 + a12X2 + ... + a1nXn +el = X1
E 0.007 0.001 0.039 0.025 0.358 0.025
s 0.120 0.074 0.104 0.123 0.173 0.234

Finalmente, Leontief estimó las siguientes demandas externas en el año de 1958

para la economía estadunidense (en millones de dólares).
que ser escrito como
Ax+ e= x = Jx Tabla 1.3 Demandas externas en 1958 para
la economía de E. U.
(I - =e (millones de dólares)

La matriz A de demandas internas lleva el nombre de matriz de tecnología, y FN $99,640

la matriz I - A se llama matriz de Si la matriz de Leontief es inverti- FM $75,548
entonces los sistemas y tienen soluciones únicas. BM $14,444
Leontief usó su modelo para analizar la economía estadunidense de 1958. * BN $33,501
Dividió la economía en 81 sectores y los agrupó en seis familias de sectores re- E $23,527
lacionados. Para se trata cada familia de sectores como uno solo, s $263,985
de modo que se manejará la economía de Estados Unidos como una de seis
industrias Éstas aparecen enumeradas en la Tabla 1.1.
¿Cuántas unidades de cada uno de los seis sectores es necesario producir para
Tabla 1.1 activar la economía estadunidense de 1958 a fin de poder satisfacer todas las
Sector (industrial) Ejemplos demandas externas?
Final no metálica (FN) Muebles, alimentos procesados Solución La matriz de tecnología está dada por
Final metálica (FM) Enseres domésticos, vehículos de motor
Básica metálica (BM) Productos elaborados con maquinaria, minería 0.170 0.004 o 0.029 o 0.008
Básica no metálica (BN) Agricultura, artes gráficas 0.003 0.295 0.018 0.002 0.004 0.016
Energía (E) Petróleo, carbón
Servicios (S) Diversiones, bienes raíces 0.025 0.173 0.460 0.007 0.011 0.007
A=
0.348 0.037 0.021 0.403 0.011 0.048
El cuadro de Tabla 1 proporciona las demandas internas 0.007 0.001 0.039 0.025 0.358 0.025
en 1958 con base en las cifras de Leontief. Las unidades en la tabla son millo- 0.120 0.074 0.104 0.123 0.173 0.234
nes de dólares($). por ejemplo, el número 0.173 en la posición 6,5 signifi-
y
ca que es necesario suministrar 0.173 millones = $173,000 de servicios para
producir $1,000,000 equivalente de energía. Similarmente, el número 0.037 en 99,640
la posición 4,2 significa que para producir el equivalente a $1,000,000 de pro- 75,548
ductos finales metálicos, es necesario gastar $37 ,000 en productos básicos no 14,444
metálicos. e=
33,501
23,527
* Scientific American (abril de 1965), págs. 26-27. 263,985
 1.8 • La inversa de una matriz cuadrada
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES

Esto significa que se requieren 131, 161 unidades (con valor de $131, 161 millo-
Para obtener la matriz de Leontief, obtenemos, restando,
nes) de productos finales no metálicos; 120,324 unidades de productos metáli-
1 o o o o o cos finales; 79,194 unidades de productos metálicos básicos; 178,936 unidades
o 1 o o o o de productos básicos no metálicos; 66,703 unidades de energía, y 426,542
o o 1 o o o unidades de servicio para activar la economía y satisfacer las demandas exter-
1-A= nas de 1958.
o o o 1 o o
o o o o 1 o
o o o·o o 1
0.170 0.004 o 0.029 o 0.008 En la Sección 1.2 encontramos la primera forma del Teorema Resumen
(Teorema 1.2.1). Ahora estamos en condiciones de mejorarlo. El siguiente
0.003 0.295 0.018 0.002 0.004 0.016
teorema establece la equivalencia de varias afirmaciones referentes a los con-
0.025 0.173 0.460 0.007 0.011 0.007 ceptos de inversa, unicidad de soluciones, equivalencia por renglón y determi-
0.348 0.037 0.021 0.403 0.011 0.048 nantes. Esto significa que si una de las afirmaciones es verdadera, todas las
0.007 0.001 0.039 0.025 0.358 0.025 demás también lo son. En este punto podemos probar la equivalencia de
0.120 0.074 0.104 0.123 0.173 0.234 las partes (i), (ii), y (iv). Terminaremos la demostración después de haber
desarrollado una teoría básica sobre determinantes (vea Teorema 2.4.4).
0.830 -0.004 o -0.029 o -0.008
-0.003 0.705 -0.018 -0.002 -0.004 -0.016
-0.025 -0.173 0.540 -0.007 -0.011 -0.007 Teorema 6 Teorema Resumen, Versión g. Sea A una matriz de n x n. Entonces cada una
-0.348 -0.037 -0.021 0.597 -0.011 -0.048 de las cinco siguientes afirmaciones implica a las otras cuatro (esto es, si una es
-0.007 -0.001 -0.039 -0.025 0.642 -0.025 cierta, todas son ciertas):
-0.120 -0.074 -0.104 -0.123 -0.173 0.766
i. A es invertible.
La determinación de la inversa de una matriz de 6 x 6 es un asunto tedioso. ii. La única solución al sistema homogéneo Ax= O es la solución trivial
Usando tres decimales en una calculadora, se obtiene la matriz siguiente. Los (x =O).
pasos intermedios se omiten. Hi. El sistema Ax= b tiene una única solución para cada n-vector b.
1.234 0.014 0.006 0.064 0.007 0.018 iv. A es equivalente por renglones a la matriz identidad de n x n
0.017 1.436 0.057 0.012 0.020 0.032 v. det A =f:. O (Hasta ahora, det A sólo está definido si A es una matriz de
0.071 0.465 1.877 0.019 0.045 0.031 2 X 2.)
(J A)-1 =
0.751 0.134 0.100 1.740 0.066 0.124
0.060 0.045 0.130 0.082 1.578 0.059 Demostración Ya hemos visto que las afirmaciones (i) y (iii) son equivalentes (Teorema 5
(parte ii)) y que (i) y (iv) son equivalentes (Teorema 5 (parte i)). Veremos que
0.339 0.236 0.307 0.312 0.376 1.349
(ii) y (iv) son equivalentes. Supongamos que (ii) es cierta. Esto es, suponga-
Así pues, el vector "ideaP' de producción (o producto) está dado por
mos que Ax = O tiene solamente la solución trivial x = O. Si escribimos este
1.234 0.014 0.006 0.064 0.007 sistema obtenemos
0.017 1.436
a11X1 + a12X2 + ' ' · + a1nXn = Ü
0.057 0.012 0.020
0.071 0.465 1.877 0.019 0.045
a21X1 + a22X2 + ' ' ' + a2nXn = Ü
X=(/ A)- 1 e = (17)
0.751 0.134 0.100 1.740 0.066 . . .
0.060 0.045 0.130 0.082 1.578 an1X1 + an2X2 + ' ' ' + annXn = Ü
0.339 0.236 0.307 0.312 0.376 Si A no fuera equivalente a 1 n entonces la reducción por renglones de la ma-
131,161 triz aumentada asociada a (17) nos llevaría a un renglón de ceros. Pero si, por
120,324 ejemplo, el último renglón es cero, entonces la última ecuación quedaría O =
79,194 O. Entonces el sistema homogéneo se reduce a un sistema den - l ecuaciones
con n incógnitas, el cual, en virtud del Teorema l. 7 .1 tiene un número infinito
178,936
de soluciones. Pero supusimos que x = O era la única solución al sistema (17).
66,703 Esta contradicción muestra que A es equivalente por renglones a Inversa-
426,542
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.8 La inversa de una matriz cuadrada

mente, supongamos que es cierta; esto es, supongamos que A es que B = A- 1 • Sea Entonces A C = Así, BAC =
=ByBAC= ::!:: IC = C. Por tanto = Cy la parte
lente por renglones a In· Entonces por el Teorema 5 A es invertible ·
y por el Teorema 5 (parte la única solución a Ax O es x = A-: 1 O = O. da demostrada.
Así, (ii) y (iv) son equivalentes. En el Teorema 1.2.1 mostramos que y Sea AB = l. Entonces, de la parte De la .L#~,,.,,11~,,vu 2
son equivalentes en el caso 2 x 2. Probaremos la equivalencia de to que AB BA = que A es
(vi) en la Sección 2.4. 11 B = A- 1• Esto

Observación.Podríamos añadir otra afirmación al teorema. que el

sistema Ax = b tiene una única solución. Sea Runa matriz en forma escalona-
da que sea equivalente por a A. Entonces R no tener un ren-
glón de ceros, pues si lo tuviera no podría ser reducida a la matriz identidad.* En los Problemas del al 15 determine matriz dada es invertible. Si lo
la forma escalonada de A debería parecerse a lo .,.¡;;.,-..H.,,AL'"· es, calcule su inversa.

2 (~
o 1
G 6.

o o o 2
2 9.
Esto es, R es una matriz con unos en la diagonal y ceros abajo de ella. Tene-
mos así el Teorema 7. o

10. -1
Teorema 1 Si se da alguna de las condiciones del Teorema 6, entonces la forma escalonada
de A tiene la forma de la matriz (18).
-3 o
-1
Hemos visto que para verificar que B = A - 1 debemos comprobar que
-1 2 10
AB = BA = l. Veremos que basta con probar la mitad de esto.
3 3

16. Muestre que si A, B y C son matrices invertibles entonces ABC es invertible y

Teorema 8 Sean A y B matrices de n x n. Entonces A es invertible y B A 1
si = c-1B-1A-1.
BA I o bien AB = l.
Si A 1 , A 2 , ..• , An son matrices invertibles de X n muestre que A 1A 2 • • • An es
Observación. Este teorema ~·~~-•·+ ..-- el de ver si una matriz es la inver- invertible y calcule su inversa.
sa de otra. 3
Muestre que la matriz es igual a su propia

Demostración i. Supongamos que BA = l. Consideremos el sistema homogéneo Ax = O. Muestre que matriz si A o

.u~A¡.HH n.•v por la izquierda ambos lados de esta ecuación por B obte-
, . ..... • .,. .

nemos ª11 =

BAx = BO Encuentre vector de salidas insumo-producto de si

Pero BA = 1 y BO = O, de donde se convierte en Jx = O o x = O.
Esto muestra que x = O es la única solución a Ax = O y, por el Teorema n =3, e y
1
6 (parte i y esto significa que A es invertible. Debemos mostrar aún TO

Suponga que A es den x m y B m x n de forma que AB den x Mues-

* Notemos que si el renglón i-ésimo de R contiene solamente ceros, entonces el sistema homogé-
neo Rx O contiene más incógnitas que ecuaciones (pues Ja i-ésima ecuación es la ecuación cero)
y el sistema tiene un número infinito de soluciones. Pero entonces Ax = O tiene un número infini-
to de soluciones, lo que contradice nuestra suposición.
tre que AB no es invertible si n > m. [Sugerencia.: Muestre que existe un vector
x diferente de cero tal que ABx = O y luego aplique el Teorema 6.]
Utilice los métodos de esta sección para encontrar las inversas de las siguientes ma-
* trices con componentes complejas:
70 CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.8 • La inversa de una matriz cuadrada 71

hay 12 empleados en el taller y 20 en la división de terminado, y que cada empleado

i
a. ( 1
2)
-i
b. (1-i
o l+i
o ) c. o trabaja 8 horas al día. Supóngase, además, que la fábrica sólo produce dos tipos
o de muebles: sillas y mesas. Una silla requiere de 384/17 horas de máquina y 480/17
l+i
horas de ensamblaje y terminado. Una mesa requiere de 240/17 horas de máquina

::~: ~~~:e
y 640/ 17 horas de ensamblaje y terminado. Suponiendo que existe una demanda
23. Muestre que para cualquier número real ela matriz ( D
es inverti- ilimitada de estos productos y que el fabricante desea mantener a todos sus emplea-
dos ocupados, ¿cuántas sillas y mesas puede producir esta fábrica en un día?
ble y encuentre su inversa. 34. El armario mágico de una bruja contiene 10 onzas de tréboles de cuatro hojas (mo-

.
24. Calcule la inversa de A =
(2 ~ o3 o .
o 4
º) lidos) y 14 onzas de raíz de mandrágora en polvo. El contenido del armario se resti-
tuye en forma automática siempre y cuando la hechicera utilice todos sus suministros.
Un lote de poción de amor requiere de 3-h onzas de tréboles y de mandrá-
gora. Una receta de una cura bien conocida (entre los hechiceros) para el resfriado
25. Una matriz cuadrada A = (au) se conoce como diagonal si todos sus elementos
común requiere de onzas de los tréboles y 10Monzas de la mandrágora. ¿Cuánto
que no están en la diagonal principal son cero. Esto es, ªu = O si i -=fa j. (La matriz
de la poción de amor y de la cura debe producir la bruja para exactamente vaciar
del Problema 24 es diagonal.) Muestre que una matriz diagonal es invertible si y
el contenido de su armario?
sólo si cada una de sus componentes diagonales es diferente de cero.
35. Un campesino alimenta su ganado con una mezcla de dos tipos de alimento. Una
26. Sea o unidad estándar del tipo A suministra a una cabeza de ganado 10% de sus requeri-
mientos diarios mínimos de proteína y 15% de los carbohidratos. El tipo B contie-
ne, en una unidad estándar, 12% del requerimiento de proteína y 80Jo del de
carbohidratos. Si el campesino desea dar a sus animales el lOOOJo de sus requeri-
o mientos mínimos, ¿cuántas unidades de alimento debe dar a cada cabeza de gana-
una matriz diagonal tal que cada una de sus componentes diagonales es distinta do diariamente?
de cero. Calcule A- 1 • 36. Una versión harto simplista de una tabla de insumo-producto para la economía is-

27. Calcule la inversa de A ~G

1
3
-1) 4 .
raelí en 1958 divide a la economía en tres sectores: agricultura, manufacturas y ener-
gía, con el resultado siguiente.*
o 5
o
~)no es invertible.
1 Agricultura Manufacturas Energía
28. Muestre que la matriz A= o
4 6 Agricultura 0.293 o o
Manufacturas 0.014 0.207 0.017
* 29. Una matriz cuadrada se conoce como triangular superior (inferior) si todos sus ele-
Energía 0.044 0.010 0.216
mentos por debajo (por arriba) de la diagonal principal son cero. (La matriz del
Problema 27 es triangular superior y la matriz del Problema 28 es triangular infe-
rior.) Muestre que una matriz triangular superior o inferior es invertible si y sólo (a) ¿Cuántas unidades de producción del sector agrícola son necesarias para ob-
si cada uno de sus elementos diagonales es diferente de cero. tener una unidad de producto agrícola?
* 30. Muestre que la inversa de una matriz triangular superior invertible es triangular su- (b) ¿Cuántas unidades de producción en agricultura son necesarias para producir
perior. [Sugerencia: Demuestre primero el resultado para una matriz de 3 x 3 .] 200,000 unidades de producto agrícola?
(c) ¿Cuántas unidades de producción agrícola se necesitan para la producción de
50,000 unidades de energía?
En los Problemas 31 y 32 se da una matriz. En cada caso, demuestre que la (d) ¿Cuántas unidades de energía se necesitan para producir 50,000 unidades de
matriz no es invertible encontrando un vector x distinto de cero tal = O. productos agrícolas?
2 -1 37. Continuando con el Problema 36, las exportaciones (en miles de libras israelíes) en
31. 1958 fueron

(~ ~:
Agricultura 13,213
Manufacturas 17,597
32.
Energía 1,786

33. Una fábrica de muebles finos tiene dos divisiones: un taller de máquinas en donde
se fabrican las piezas de los muebles, y una división de ensamblaje y terminado en "' Wassily LeontieL Input-Output Economics (Nueva York: Oxford University Press, 1966), 54-
la cual las piezas son unidas y armadas en un producto terminado. Supóngase que 57.
CAPÍTULO 1 SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.9 La transpuesta de una matriz

(a) Calcule las matrices de tecnología y de Leontief. , ~~ ... u •. ..,.,, por que es la componente del 2 y la columna 3
(b) Determine el número de libras israelíes necesarias en cada uno de los sectores C mientras que 4 es la componente del 3 y la columna 2 de C 1 • Esto
económicos para poder activar la economía de este modelo y dé el valor de es, el elemento 23 de e
es el elemento 32 de e 1
•
cada producto en las exportaciones. ·

En los Problemas del 38 al 45 encuentre escalonada de la matriz dada

y utilícela para determinar directamente si la matriz dada es invertible.
Teorema 1 Supongamos que A = (au) es una matriz de n x m y B = es una matriz de
38. La matriz del Pro~lema 3. 39. La matriz del Problema m xp. Entonces:
40. La matriz del Problema 4. La matriz del Problema 7.
=A
42. La matriz del problema 9. 43. La matriz del Problema 11.
ii. =B1At
44. La matriz del Problema 13. 45. matriz del Problema 14. m. Si A yB son den x m, entonces + =A' +Bi
46. Sea A = (ª
ª21
11
y suponga que a 11a22 a 12 a21 -::/= O. Deduzca la fórmula (12)
iv. Si A es invertible, entonces A 1 es invertible y

reduciendo por renglones la matriz aumentada Demostración i. Esto se dice directamente de la definición de transpuesta.
ii. Primero notemos que es una matriz de n x p y así es de p x n.
47. Demuestre las partes (i) y (ii) del Teorema 5. También, Bt es de p x m y A 1 es de m x n, de donde B 1A 1 es de p x n.
ambas matrices en la Ecuación son del mismo tamaño. el
elemento de AB es
1. Sea e = B 1 y D = A 1 • Entonces el ., ''-'0J.JlJ.J.V elemento Cu de e es y el
Cada matriz tiene una matriz que, como veremos en el ij-ésimo elemento dude Des ªJi· Así, el elemento de CD es
m
. . . , . .~,_, ........ ,,..., 2, tiene similares a las de la matriz al ji-ésimo elemento de B 1A 1 es

1 Sea A una matriz de m x n. Entonces la transpuesta de igual al ji-ésimo elemento de

A, escrita A t, es la de n x m obtenida intercambiando los rer1g11orn::s parte (ii).
y columnas de A. Abreviadamente escribir En otras pa-
fü. Esta parte se deja como
labras,
iv. es más difícil. Se demuestra en la v•i:o:,~··~u,,..., '-''V"''-'A'>.-"·'-•

si A= , entonces A 1 La transpuesta un en la teoría de matrices. Veremos

en subsecuentes que A y A 1 tienen varias en común. Co-
mo las columnas de A 1 son los de A seremos capaces de usar
dades relacionadas con la transpuesta para concluir que lo que es cierto para los
de A es la i-ésima columna de A 1 y la
vu 0 ... ,.,u'"'" de una matriz es cierto para sus columnas. Concluimos esta sección
deA 1•
con una definición ·~,~~·-+·,~·

Encuentre las transpuestas de las matrices ! Matriz simétrica. Se dice que matriz de X n es
2 At =A.
2 3 -3
A B= C=
f Las cuatro matrices son simétricas:
-1
2 4
Solución Intercambiando los renglones y columnas de cada matriz obtenemos ·-4
2 o
I A=G B= 7
C=( 2
4
7
3
3
8
5
-3 1 6 5 o
4 2
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES
1.10 • Matrices elementales e inversas de matrices

Sea A una matriz de m x n. Entonces, como pronto se verá, podemos efec-

tuar operaciones elementales en renglones o filas sobre A multiplicando A por
En los Problemas del 1 al 10 encuentre la transpuesta de la matriz dada.
la izquierda por una matriz apropiada. Las operaciones elementales son

l. ( ~ :) 2. G~) 3. (- ~ !) 4. (~ ~ ~)
-
i. el i-ésimo renglón por un número e distinto de cero.
ii. Sumar un múltiplo del i-ésimo renglón al j-ésimo renglón.
-1 fü. Permutar (intercambiar) los i-ésimo y j-ésimo renglones.
2 2
5. o 6. 4 7. (~ o ~ 8.
6 Definición 1 Matriz elemental.Una matriz de n X n E se denomina matriz ele-
5 -5 mental si puede ser obtenida a de la matriz identidad den x n, por
5
una sola operación elemental de renglones.

9. G: ~) 10
· ( oo oo oº) Notación. Denotamos una matriz elemental por E o por
dependiendo de cómo se obtuvo la matriz a de J.
o bien

11. Sean A y B matrices den x m. Muestre, usando la Definición 1, que (A + B)1

Af + BI. tJE~MJ'JIO 1 Se obtienen las tres matrices elementales.

12. Encuentre números a y {3 tales que (! -~ !) sea simétrica.

(a)
o
1
o
o
5
o
Se tiene multiplicando por 5
el segundo renglón de /.

13. Si A y B son matrices simétricas de n x n demuestre que A + B es simétrica.

14. Si A y B son matrices simétricas den x n, muestre que (ABY BA. o o
15. Para cualquier matriz A muestre que el producto AA 1 está definido y es una ma-
triz simétrica.
(b) Go 1 o
3 o
= Á¡3
Se tiene multiplicando por -3
el primer renglón de I y
sumándola al tercero.
16. Muestre que cualquier matriz diagonal es simétrica (Problema 1.8.25).
17. Muestre que la transpuesta de cualquier matriz triangular superior es triangular in- o o Se tiene permutando los renglones
ferior (Problema 1.8.29). (e) 1 o segundo y tercero de /,
18. Se dice que una matriz cuadrada es antisimétrica si A 1 = -A (esto es, ªu = -aJ¡). o
¿Cuáles de las siguientes matrices son antisimétricas?
La demostración del los Proble-
2 -2
a. (~ -~) b. (~ -~) c. 2
mas 58 a
2 2

19. Sean A y B matrices antisimétricas den x n. Muestre que A + Bes antisimétrica.

Teorema Para efectuar una rer1.2J~::mi~ssobre la matriz m x
20. Si A es antisimétrica, muestre que toda componente de la diagonal principal de A n, la matriz A, por la por la corn~sponLa11em:e matriz
es cero.
elemental.
21. Si A y B son matrices antisimétricas den x n, muestre que (AB)t = BA, de mo-
do que, AB es simétrica si y sólo si A y B conmutan.

22. Sea A ( ª 11
ª 12
) una matriz con componentes no negativas y con las propieda- 3 2

des (i) a~,

invertible y que A - 1
ª':
1 y al 2 +
A 1•
1 y (ii) (ª") · (ª") ~ O. Muestre que
ª 21 ª 22
A es
Sea A= 2 3
-2
por filas o sobre A' YY'n• IT•"t"\l1',':>T'lrln A por la por la matriz
elemental apropiada.
 1.10 Matrices elementales e inversas de matrices
CAPÍTULO 1 SISTEMAS DE ECUACIONES LINEALES Y MATRICES

por 5.
por - 3 y añadirlo al tercer
sej;l~Un.ao y tercero.
Efecto de
multiplicar A de la
°'BllllUUJIU.:i<l Cuando E- 1
por la operación multiplica por
Solución Como A es una matriz de 3 x 4, cada matriz elemental E debe ser de 3 X 3 Tipo de matriz por elemental por la u1q11.m:1-1.1m, operación
puesto que E tiene que ser cuadrada y E está multiplicando por la elemental E E renglones inversa
a A. Se usan los resultados del Ejemplo 1. Multiplicación
Multiplicación Multiplicación
o· 3 2 3 2 del i-ésimo del i-ésimo ren-
(a) A= 5 2 3 10 15 renglón de A glón de A por~
por e::/= O e
o -2 3 2
Adición Multiplicación Multiplicación
-e)
del i-ésimo del i-ésimo ren-
1 o 3 2 3 2
renglón de A glón de A por
o 1 2 3 2 3 por e y se su- -e y se suma al
3 o 2 -8 8 ma al j-ésimo j-ésimo renglón
renglón
Permutación Permutación Permutación de
o 3 2 3 2
o 2 3
2
-!) 1
2
2
3
de los i-ésimo
y j-ésimo ren-
glones de A
los i-ésimo y
j-ésimo renglo-
nes de A

La Ecuación indica que

Considérense los tres productos siguientes:

(1)

En resumen:

Teorema 2 Toda matriz elemental es invertible. La inversa de una matriz elemental es una
matriz del mismo

(3) Teorema 3 Una matriz cuadrada es invertible si y sólo si es el producto de matrices ele-
mentales.

Las Ecuaciones (1), (2) y (3) indican que cada matriz es invertible y que su Dtmostración Sea A = en donde cada es elemental. Por el Teorema 2, cada
inversa es del mismo tipo (Tabla 1.4). Esto es consecuencia del Teorema 1. Evi- E¡ es invertible. Más aún, por el Teorema 1.8.3, A es invertible* y
dentemente, si las operaciones Au(c) seguidas de Au(-c) se efectúan sobre A,
A- 1
E;;; 1
1
la matriz A no se altera. También, M¡(c) seguida de M¡(llc) y permutando dos
veces las mismas filas no alteran la matriz A. Recíprocamente, supóngase que A es invertible. Conforme al Teorema 1.8.6
Se tiene que (el Teorema Resumen), A es equivalente por renglones a la matriz identidad.
Esto significa que A puede ser reducida a I por un número finito, m, de opera-
[M,(cff 1 = M{D (4)
ciones elementales por renglones. Por el Teorema 1, cada operación tal puede
1 (5)
[A iJ( e)] = A iJ( e) *Aquí hemos usado la generalización del Teorema 1.8.3 a más de dos matrices. Vea, por ejem-
(PiJ)-1 = piJ (6) plo, el Problema 1.8.16.
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1. 1O • Matrices elementales e inversas de matrices

ser efectuada multiplicando A por la por una matriz elemental. Esto o

~ ~)(~ ~)(~o -~o o~)(~o o~ ~)
4
significa que existen matrices elementales tales que 5 o
=1 1 o o 1 3 o 1 1
M 1 (2)
Así, del Teorema 1.8.8, se desprende que

X (¿o ~ ~) (¿ ~ ~) (¿ ~ -~) (¿ ~ ~)
-5 1 o o -1 o o 1 o o 1
y, como cada es del Teorema 2, resulta que

A (7)

Dado que la inversa de una matriz elemental es también una matriz eie:m<~m.a1, Podemos usar el Teorema 3 para extender el Teorema Resumen.
se ha logrado expresar a A como el producto de matrices elementales. La de-
mostración 111 Teorema 4 Teorema Resumen - Versión 3. Sea A una matriz de n x n. Entonces cada uno
de los seis enunciados siguientes implica a los otros cinco (esto es, si uno de
ellos es verdadero, todos son verdaderos):
4
i. A es invertible.
Demostrar que la matriz A 5 es invertible y ext)re:sarla como pro-
ii. La única solución al sistema homogéneo Ax = O es la solución trivial
(x = O).
dueto de matrices elementales. m. El sistema Ax = b posee una solución única para cada n-vector b.
Solución Se ha encontrado esta matriz anteriormente, ........ .,,,,...,~ .. ,.,. iv. A es equivalente por renglones a la matriz identidad In de n x n.
ra resolver el se reduce A a I y se el rastro de las nnPr~1,...1."'n'"" v. A puede expresarse como producto de matrices elementales.
elementales sobre En e] 1.8.6 se vi. det A i= O (hasta ahora, det A sólo se ha definido si A es una matriz de
ciones 0A_F,,U.H•H•·'-'"·
2 X

Concluimos esta sección demostrando la parte (iv) del Teorema 1. 9 .1.

Teorema 5 Sea E una matriz elemental. Entonces Et es invertible y

® 1y (8)

A - 1 se obtuvo comenzando con estas nueve "n'"''"':l,...,,..,"'<

UIJ.H'-''-"H-''V Demostración Caso 1: E es una Entonces es simétrica al igual que lo
tales. Así pues, A - 1 es de nueve matrices elementales: es de modo que (8) se verifica.

o o o o Caso E se representa por Supóngase que E es x 3 y que i 1,

j = 2. Entonces
1 1 1 1
o o o 5 o o
AJ.2(-2) AJ.1(1) M 3 (-l) Au(S) Az.1(-2) E= 1 1
o o o o
o 1 o o o Es fácil verificar que
X o 1

~)
-e
o 3 o o o
1
Mz(-~) Au( - 3) Au(-4) M1m
o
Entonces A de las inversas de las nueve matrices en
el orden contrario: En el caso más no es difícil comprobar que si E es una matriz con ele-
 1.10 • Matrices elementales e inversas de matrices
80 CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES

mentos l en la diagonal, una e en la ij-ésima posición, y O en todos los demás un resultado más que será de utilidad en la Sección 2.3.
lugares, entonces E- 1 tiene el valor -e en la ij-ésima posición, E' tiene el va-
lor e en la ij-ésima posición, y ambas, (E- 1) 1 y (E 1) - 1 tienen -e en la ij-ésima Teorema 1 Sea A una matriz de n x n. Entonces A puede expresarse como un producto
posición, elementos l en la diagonal principal y ceros en todas las demás posi- de matrices elementales y de una matriz T triangular superior.
ciones. En suma,
Demostración Al aplicar eliminación gaussiana al sistema Ax = b, obtenemos una matriz trian.-
superior. Para captar esto, se observa que la eliminación gaussiana ter-
Caso 3: E es una matriz de permutación. Entonces E = E- 1, así que E' = mina cuando la matriz queda reducida a la forma escalón por -y
(E- 1)1. Así, E' representa el proceso de intercambiar las i-ésima y j-ésima co- esta forma una matriz de n x n) es triangular Denotamos la
lumnas de la matriz A. Esto significa que E' es su propia inversa: forma escalón de A por T. A se reduce a una sucesión de ope-
raciones elementales por filas, cada una de las cuales se puede obtener multi-
(Er 1 = E' = (E- 1Y 111 plicando por una matriz elemental. Así pues,

Teorema 6 Si A es una matriz invertible n x n, entonces A' es invertible y T=

y
A=
Como la inversa de una matriz elemental es una matriz elemental, se ha escrito
A como el de matrices elementales y T. 111
Demostración Por el Teorema 3, A es el producto de matrices elementales:
A=E 1 E 2 ···Em (10)
Aplicando el Teorema 1.8.3, fJE~mj)fO 6 Expresar la matriz
A-1 = E;;;1E;;;~1 ... Ei1 (11) 6
y por la Ecuación (l .9.3), A= 5
(12)
De (11) y de la Ecuación (l.9.3), como de matrices elementales y una matriz
(A- 1Y= (E1 1Y(E2 1Y ··· (E;;; 1 Y (13)
Solución
De (12) y del Teorema 1.8.3,
6 2
(Ar 1 = (ED-1(E~)-1 ... (E~)-1 (14) 5 5
Por el Teorema 5, los productos en (13) y (14) son iguales. La demostración
queda completa. 111 2 2

o
~) . Entonces
4
5 Sea A 5 Entonces, atrás resulta
1 -2 2 1 o
c6
Ejemplo 1.8.6,
14 T= 1 o l
4
1~ 26
A- =1
-22
-6)
12 o o
A'=(: 6
5
D
y
-11 10 -6
Se deja al lector verificar que o o
c6
6

(A 1) - 1 = ~ 14
26
-22
-11)
10 = 1y
X l
o o o
5

-6 12 -6 A
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES
1. 1o • Matrices elementales e inversas de matrices 83

5
6 o o 27. A= B= 3 28. A= B= 3
A= 5 1 5
o o
2 5 2 5
M 3 (3) A 1 , 2 (2)
29. A -1 3 B= -1 3
o o 2 o -2 10 -27
X 1 1
2 5 o 11
o o 30. A= 1 3 B= -1 3
Al.3(1) 1
o -2 o -2

En los Problemas del 31 al 40 halle la inversa de la matriz elemental dada.

31. G~) 32. G~) 33. G~)

-2 o
~)
En los Problemas del 1 al 12 determine 1
matrices son elementales.

G ~) G ~) 3.
:)
34.
e o
o
35. 1
o
36. o
o
1
D
o 1 o o
4.G ~) 5. (~ ~) 6.
1
o
o
37. G oD
o
38. (¡ 1
o 1
o o
o
¡) 39. (¡ o
o 1
o o
o o
o
7. o
o
o o
8. 1
o
9.
o 40.
-3
o
o o
1 o
º)
o o -1 o o 1
o n. o 12.
1 o
o 1 o o 1 En los Problemas del 41 al 48 demuestre que cada matriz es invertible y
o o o o exprésela como producto de matrices elementales.
En los Problemas del 13 al 20
la
matriz elemental de 3
indicada sobre una matriz A de 3
X
X 41. G 42. G!) 43.

M 2 (4) A 1 , 2 (2) ¡(--3) ¡(4) 2 -1 o

P13 P23

En los Problemas del 21 al 30, "r"º¡y""'

A3.2(1)

la matriz elemental
20. M 3 (-1)

tal que EA
44. 2
o
45.
o
1
-D 46.
-1
o o 1 o
2
A= B= A= B = ( 2 3 o 2 1
-5 47. 48.
o -4 o 2
o o o o o
(-~
2
A ( _ 2 B= 24. B=

A B= A= ,B
49. Sea A = ( ~ ~), en donde ac i= O. Escriba A como producto de tres matrices ele-

mentales y concluya que A es invertible.

 1. 11 • Una perspectiva diferente: Inversas unilaterales de matrices BS
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES

ne soluciones únicas? Daremos respuestas parciales a estas preguntas en esta

50. Sea A = (~ ~ :) , en donde ad/ ::f:. O. Exprese A como producto de seis matri- sección.
0 o f .
ces elementales y concluya que A es invertible. · Definición 1 Inversas izquierda y derecha. Sea A una matriz de m x n. Entonces
* 51. Sea A una matriz n x n triangular superior (vea el Problema 1.8.29 ). i. A posee inversa derecha si existe una matriz R de n x m tal que
Demuestre que si no es cero cada componente en la diagonal, entonces A es inverti-
ble. [Sugerencia: Vea los Problemas 49 y 50.]
* 52. Demuestre que si A es una matriz triangular superior den x n, con componentes
1
diagonales no nulas, entonces A - también es triangular superior.
* 53. Aplique el Teorema 6 y el resultado del Problema 52 para demostrar que si A es
una matriz de n x n triangular inferior con componentes diagonales distintas de ii. A posee inversa izquierda si existe una matriz L de n x m tal que
cero, entonces A es invertible y A - 1 es triangular inferior.

En los Problemas del 54 al 57 evalúe (At)- 1 y (A- 1)!, y demuestre que son
iguales.
54.A ~ G~) 55. A~ G ~)
58. Demuestre que si Pu es la matriz de n X n obtenida permutando los i-ésimo y j-
ésimo renglones de In• entonces Pu A es la matriz que se obtiene de A al permutar
sus i-ésimo y j-ésimo renglones.
59. Sea Aula matriz con e en la ij-ésima posición, elementos 1 en la diagonal, y ceros
en el resto de las posiciones. Demuestre que A u A es la matriz que se obtiene de
A al multiplicar por e el i-ésimo renglón de A y sumarla al j-ésimo renglón.
60. Sea M¡ la matriz con e en la posición ii, elementos 1 en las otras posiciones diago-
nales y ceros en el resto de las posiciones. Demuestre que M¡ A es la matriz que
se obtiene de A multiplicando por e su i-ésimo renglón.
Observación 1.AR tiene dimensiones (m x n) X (n x m) = m X m.
LA tiene dimensiones (n x m) x (m x n) = n X n.
Así que las matrices identidad en (1) y (2) son desiguales si m i= n.
Observación2. Si A es cuadrada, entonces, por el Teorema 1.8.8, A es invertible
1
si y sólo si A tiene inversas izquierda y derecha. En este caso, L = R = A - •
Por esta razón, sólo se consideran en esta sección matrices no cuadradas; esto
es, m if= n.
Antes de calcular las inversas derechas o izquierdas, demostraremos varios
teoremas. Consideremos el sistema
Ax= b (3)
en donde A es m x n; x y b son vectores de dimensiones n y m, respectivamente.

En los Problemas del 61 al 66 exprese cada matriz cuadrada como producto

de matrices elementales y de una matriz triangular superior. Teorema 1 Teorema de existencia. La matriz A de m x n tiene inversa derecha si y sólo
si el sistema (3) posee al menos una solución para cada vector b m-dimensional.

61. A= G~) 62. A= (

-4
2 -3\
6) 63. A= G~) Demostración Supongamos primero que A tiene inversa derecha R. Definase x* = Rb. Nóte-
se que x* es n x 1 puesto que Res n x m y bes m x l. Entonces

64. A (! D -1 65.A~G -3 3)
-3 1
66.A=U D ! Ax* = A(Rb) = (AR)b = Jmb =b
o 2 Así pues, x* es solución de (3).
Recíprocamente, si (3) posee una solución para todo m-vector b, sean
o
1. 11 Una perspectiva di rente: inversas
unilaterales de matrices
En la Sección 1.8 definimos la inversa de una matriz cuadrada. Se demostró
que el sistema Ax = b tiene solución única si y sólo si A es invertible. ¿Qué
b, (l) b, (l} , b, = : 2~~~ (!) =

suq~de empero si A no es cuadrada? ¿Posee soluciones el sistema Ax = b? ¿ Tie- o

CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.11 • Una perspectiva diferente: Inversas unilaterales de matrices

Cada bJ es un m-vector o vector-m. Demostración i. que A posee inversa izquierda. Entonces existe una matriz
Sea L den x m, tal que LA = Transponiendo,
I es simétrica Teorema 1.9.l(ii)
rlj)
r.i = r~J "J" l I; =(LA)' l A'L'
(
rn.i lo cual muestra que D es inversa derecha de A 1 • Similarmente, si A tiene
inversa derecha R de n x m, entonces, AR = Im Y
una solución de Ax.= bi y finalmente~
Jm = J~ =

')
r12 rlj
por lo que R 1 es inversa de A 1•
r22 r2J r2m
R= ii. Por el Teorema 1. 7 .1, el sistema Ax = O tiene un número infinito de so-
luciones, ya que n > m. De manera que A no puede poseer inversa
rn2 rnj rnm pues si así el sistema Ax = O sólo tendría una el Teore-
ma 2.
Demostraremos que R es inversa derecha. Denotemos por a¡ el i-ésimo renglón
iii. Si A tuviera inversa derecha, entonces A t tendría inversa por
de A. Entonces, como
la parte del teorema. Pero A 1 es una matriz den x m con m > n; se tiene
entonces que A 1 no posee inversa izquierda, con base en la parte En con-
tenemos que secuencia, A no posee inversa derecha. 11

a¡· r.i = i-ésima componente de b.1 = {º'si i i= j (4) Corolario. Sea A una matriz de m x n con m =I= n. Entonces el sistema Ax b no tiene
1, sii = j solución única para todo n-vector b.
Pero a¡· r1 es la ij-ésima componente de AR. De (4) vemos que AR = lm. 11 Demostración m > n. Por el Teorema 3(iü), A no posee inversa derecha, y por lo
Caso 1:
mismo, por el Teorema 1, Ax = b no tiene solución para todo m-vector b.
Corolario Si R es inversa derecha de A, entonces Caso~:n > m. Como en la demostración del Teorema Ax tiene un
x = Rb (5) número infinito de soluciones. 11

es una solución de Ax = b.

Teorema ~ Teorema de unicidad. Si la matriz A de m x n posee inversa izquierda, enton- Encontrar, si existe, una inversa derecha de A = ( : ~
ces el sistema (3) tiene, cuando más una sola solución para todo m-vector b.
Demostración Sean x, y soluciones de (3). Entonces Solución Buscamos una matriz R = tal que AR Esto es,
Ax b y también =b

~)
así que 2
A(x - y) = Ax - Ay = b - b = O 5

Si ahora L es inversa izquierda de A,

(x y)= In(x y)= LA(x - y)= LO= O Escribimos el sistema (7) como una matriz aumentada, y se reduce por filas
o renglones:
de modo que x = y. 111
W X

o 2 o 3 o 2 o 3 o
Teorema 3 Sea A una matriz de m x n. Entonces
1 o 2 o 3 o 2 o 3
i. A posee inversa izquierda si y sólo si A 1 tiene una inversa derecha. o 5 o 6 o 3 o -6 o
ii. Si n > m, A no tiene inversa izquierda. o o o
fü. Si m > n, A no tiene inversa derecha.
4 5 6 5 o 6
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES
1. 11 • Una perspectiva diferente: Inversas unilaterales de matrices

o o o

(j
2 3 Verificación
1
o
o
o
-3
o
w
2
o
3
X
o
6
o
y
3
·o
-6 -l} y 25 63)
Sin hacer más cálculos, concluimos que A no tiene inversa izquierda, pues

(¡
o
1
2
o ?- o 3
o 1 o 2 o
o o o 2
o 3 o
!) A 31 (-2)

A,,( 2)

(
o o o
~ 1 o o
o 1 o
-1
o
2
o
-1
o
-:) 4'
3
de lo contrario, se llegaría a una contradicción respecto al resultado del corola-
rio del Teorema 3.

-3 o o o o 2 -3
1

Por lo tanto, " ........... , ,. .. "''""el resultado del Ejemplo 1. Su demostración

Problema
U=y-i
v=z+i Teorema 4 Si la matriz A de m x n =fa n) posee inversa derecha, entonces tiene un nú-
W= -2y+! mero infinito de inversas derechas.

X= -2z -t
Evidentemente, existe una infinidad de soluciones. Eligiendo y z -- O, ! Encontrar una inversa izquierda de
-2
A= ( -~

Solución Del Ejemplo 1, vemos que

Verificación

Vtrific:ad6n

-~5) = (~ ~)
2
Eligiendo y = z 1, obtenemos otra inversa derecha: 2
3

Consideremos el sistema Ax G} De acuerdo con (5), dos soluciones son

Eienrmlo 3 Consideremos el sistema Ax = b, en donde A = on. A posee la inversa

izquierda L = (- ~ _ ~ _ :} Así que A no tiene inversa derecha y el siste-

5
4 2)~ G) = j (-21)1~ = ~7) ma carece de solución para ningún vector tridimensional b. Para ver esto más

o claramente, consideremos b = (~:) y reduzcamos por renglones:

y

-2
 1.11 • Una perspectiva diferente: Inversas unilaterales de matrices
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES

9. (1 2 3) 10.

2
Sea A= 1
Evidentemente el sistema es inconsistente, a menos que -7b 1 + 2
a. Demuestre que A no tiene inversa derecha.
Por ejemplo, si b = entonces + 2b2 + b 3 = O y el sistema posee
b. Halle una condición que asegure una solución para el sistema Ax = b

la solución única ( =( Por otro lado, si b entonces

Contestar las preguntas del Problema 11 para la matriz
-4 =f. O y el sistema no tiene solución. 2
5
2
Podemos apreciar la existencia de matrices unilaterales de una matriz desde 6
otro punto de vista. Si A es una matriz de m x n, es posible contemplar A
3
como representante de una función cuyo dominio es el conjunto de n-vectores 13. Obtenga dos inversas derechas de A =
y cuyo ámbito (o contradominio) es el conjunto de los m-vectores. o
La función b = Ax es biyectiva si, siempre que Ax = es posible con-
cluir que x = y; esto es, si toda ben el ámbito es imagen de un solo n-vector. b. Use los resultados de (a) para determinar dos soluciones al sistema Ax = (~}
La función b = Ax es suprayectiva (o sobre) respecto del conjunto de m- l -1
vectores si todo m-vector ben el ámbito es imagen de un n-vector del dominio. Obtenga dos inversas derechas de A =
(2 4
Esto es, si existe x tal que b = Ax. 2
Podemos enunciar los Teoremas 1 y 2 del modo siguiente: b. Use los resultados de (a) para hallar dos soluciones al sistema Ax = ( _ }
3
Supóngase que la matriz de m x n poseyera inversa derecha R e inversa izquier-
Teorema 1' Sea A una matriz de m x n. La función b Ax es suprnyectiva respecto del da L. Demuestre que se tendría que R = L.
conjunto de m-vectores si y sólo si A tiene inversa den :::ha.
* 16. Supóngase que la matriz A de m x n tiene inversa derecha R con m =I= n. Demues-
tre que A tiene un número infinito de inversas derechas. [Sugerencia: Considere
Teorema 21 Sea A una matriz de m x n. Si A posee inversa izquierdó.., entonces la función sistema AR = J y demuestre que si este sistema tiene una solución única, enton-
b = Ax es biyectiva. ces lo mismo puede decirse del sistema Ax para todo todo m-vector b, lo cual
Se expresará mucho más acerca de funciones biyectivas (o biunívocas) y su- contradice al Teorema 3.]
prayectivas (o sobre) cuando se analicen transformaciones lineales en el Capí- Considere el sistema Ax = b donde
tulo 5 en particular, la Sección 5.4). 2
A 2

Demuestre que L = 1(1 2 es inversa izquierda de

3 4 5
En los Problemas del 1 al 1O determine cuáles matrices poseen inversas dere-
chas o izquierdas. Si existen, calcular una. b. Sea b . Calcule Lb.

1.
o
G :) 2.
G º) o1 o 3
·
e
2
l
2 ~) 4. G -1
4 ~) Demuestre que Lb no es solución del sistema Ax b.
Multiplique por L ambos lados de Ax = b por la izquierda. Resulta así

5.
GD 6
. GD 1
·G D 8. -D Ax= b
LAx Lb
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES de repaso Capítulo

/x =Lb
-1
X= Lb
G~ 6 -l
Parecería que x = Lb debiera ser solución de Ax = b. Pero esto contradic'e lo 4
hallado en (c). De hecho, si Ax = b tiene una solución para cada b, entonces
A posee inversa derecha. Esto contradice el corolario del Teorema 3. ¿Dónde
está el error en este razonamiento?

o o 8
En los Ejercicios del 1 al 14, obtener todas las soluciones
temas dados.
23. Go o
1
24. 1
o -:)
1. 3xi +6x 2 = 9 2. 3X¡ +6X2 = 9 26. (~ o ~ ~)
-2xi+3x2=4 2x1+4x2=6
3. 3x 1 -6x 2 =9 4. Xi+ X2+ X3 =2 En los Ejercicios 27 y 28, reduzca la matriz a forma escalonada por renglones
-2x 1 +4x 2 =6 2x1- X2 +2X3 = 4
y a la forma escalonada por renglones reducida.
-3x 1 +2x 2+3x3 = 8

(-2~ -~1
5. Xi+ X2+X3 =0 6. X¡+ X2+ X3 =2
27 (2 8
2x 1- X2+2X3 = Ü 2x1- X2 +2X3 =4
. 1 o -2)
-6
28. -1
-3xi+2x2+3x 3 =0 -x1+4x2+ X3=2
7. Xi+ X2+ X3=2 8. X1+ X2+ X3=Ü En los Ejercicios del 29 al 33 calcule la forma escalonada por rerirf!üJm.?s Y la
2xi- X2+2X3 = 4 2x1 X2+2X3 = Ü
-xi +4x2+ X3=3 -X¡ +4X2 + X3 =O inversa de la matriz dada existe).
2
9. 2x 1 + X2-3X3=Ü 10. x 1+x2 =O 29. (
2
-1
30. (-~ 31. 1
4x1- X2+ X3 =O 2X¡ +X2 = Ü
JX¡ +x2= Ü
11. X¡ +x 2 =1
2x1 + X2 = 3
12. X1+ X2 +X3 + X4=4
2x 1-3x2-X3 +4x4 = 7 32.
(
-1
4
2
1 -3
º)
3x1 +x2 =4 -2x1+4x2+x3-2x 4 =1 2 -3
5x1- X2 + 2X3 + X4=-l
13. X1+ X2 + X3+ X4=Ü 14. X1+ X2+ X3+ X4=Ü En los Ejercicios del 34 al 36,
2x 1-3x2- X3 +4X4 = Ü 2x1 -3x2- X3+4X4 =0 b, luego calcule A- 1, y
-2x 1 +4x2+ X3-2X4 = Ü -2x1 +4x2+ X3-2X4 =0 obtener el vector solución.
5x 1- X2 +2X3 + X4=Ü 36. +4X3 = 7
34. X1 -3X2 =4 35. X¡ +2X2 = 3 2X1

2X1 +5X2 =7 2Xi + X2 - X3 = -1 -Xi +3x2+ X3 = -4

En los ,,, ..,..,,...,,,.., del 15 al 22 realice los cálculos indicados. 3x1+ X2+X3= 7 X2 +2X3 = 5

En los Ejercicios del 37 al 42 calcule la transpuesta de la matriz determi-

o o ne si la matriz es simétrica'· o antisimétrica. *
15. 16. G -1
2
5

(_~ ~) (~
3
37. 38. 39.
2 1 1
o
2
o

e
17. 2 5 18. -1 4 -1

~)
2 -1 -1 2 5 o 1
o
-D
40. 42.
7 41. : 5 3 o
2 3 -1 -4 -8 -2 -1
o 7
20. 6
o
o 3
Del Problema 1.9.18 tiene que: A antisimétrica si A 1 -A.
5
CAPÍTULO 1 • SISTEMAS DE ECUACIONES LINEALES Y MATRICES

En los Ejercicios del 43 al 47 encuentre una matriz elemental 3 x 3 que realice

las operaciones sobre renglones indicadas. CAPÍTULO
43. M 2 (-2) 44. Au(2) 45. Au( 5) 47.

•
En los Ejercicios del 48 al 50 halle la inversa de la matriz elemental dada.
o
Det rm1nant s
, (1o 3)
48. 1 49. 1 ~ ~) 50. 1
o 1 o
En los '"",.,,..,,.,n., 51 y 52 escriba la matriz como el producto de matrices ele-
mentales.
o
52.
2

En los Problemas 53 y 54 escriba cada matriz como el producto de matrices

elementales y una matriz triangular superior. 1 Definiciones
53. ( _ ~ 54. G-~ Sea A = (ª
ª21
11
ª
ªzz
12
) una matriz de 2 x 2,. En la Sección 2. 7 definimos el deter-

minante de A como
55. a. Encuentre dos inversas derechas de A = (12 73 52)·
b. Use el resultado de la parte (a) para obtener dos soluciones de Ax=

56. Halle una inversa izquierda de A ~ G ~· ~}

Con frecuencia denotaremos det A como

IAI = lª
ª21
11
(2)

Mostraremos que A es invertible si y sólo si det A *O. Como veremos, este im-
portante teorema es válido para matrices den x n.
En este capítulo desarrollaremos algunas de las propiedades básicas de los
determinantes, y veremos cómo pueden ser usadas para calcular inversas)' re- f
solver sistemas de n ecuaciones lineales en n incógnitas.
Definiremos por inducción el determinante de una matriz de n x n. En otras
palabras, usaremos nuestro conocimiento de un determinante de 2 x 2 para
definir un determinante de 3 x 3; éste para definir el de 4 x 4 y así sucesiva-
mente. Empezaremos por definir un determinante de 3 x 3. *

ª11
Definición 1 Determinante de 3 x 3. Sea A= a 21
( a31
ª13)
a 23 • Entonces l
Ü33

* Existen varias formas de definir un determinante y ésta es una de ellas. Es importante darse
cuenta de que "det" es una función que asigna un número a una matriz cuadrada.

95
96 CAPÍTULO 2 • DETERMINANTES 2.1 • Definiciones

3 5 2
(3) 4 2 3 usando este nuevo método
Ejemplo 3 Calcule
-1 2 4

Notemos el signo menos antes del segundo término del lado derecho de (3).
Solución Si escribirnos multiplicarnos corno indicó,

Ejemplo 1 Sea A = e~ ~ !). Calcule IA l.

IA 1 (3)(2)(4) + (5)(3)(-1) + (2)(4)(2)-(-1)(2)(2)
24-15+16+4-18-80 -69

Solución
IAI=
3 5 211
4 2
-1 2 4
3=31~ !j-sj_; !H_; ~I El método expuesto anteriormente no
Advertencia.
tes de n x n si n ::fa 3.
111r.1ru)nn para determinan-

= 3·2-5·19+2·10 = -69
Antes de definir determinantes de n n, notemos que la
22
2 -3 5 Ecuación (3),(ª es la matriz que se obtiene al eliminar el
Ü32
Ejemplo i Calcule 1 o 4. y la primera columna de A; la matriz que obtenernos si elimina-
3 -3 9 rnos el primer renglón y la ""'~~•. u•u ....
2 -3 5
~l-(- 3 )1~ ~j+sj~ -~1
que se obtiene si eliminarnos el
Solución 1 o 4 =21 o
-3 denotamos estas tres matrices corno y
3 -3 9 A 11 det M 11 , A 12 -detM12 yA13 pue-
= 2. 12+3(-3)+5(-3) =o de escrita

Existe un método más sencillo para calcular determinantes de 3 x 3. De la

Ecuación (3)
Definición i Menor. Sea A una matriz den x n y sea Mu la matriz de (n - 1) x (n - 1)
ª11 ª12 ª13
que se obtiene de A, al eliminar el i-ésirno renglón y la j-ésirna columna de A.
ª21 ª22 ª23 = ª11 (a22a33 - a23a32)- ª12(a21 a33 - a23a
31
)
Mu se denomina ij-ésimo menor de A.
ª~1 a32 a33 + a13(a21 a32 - a22a31)
0
sea IA 1 = ª11 ª22a33 + ª12a23a31 + a13a21 a32 - a13a22a31
(4)

(~ - ~
- ª12ª21 a33 - ª11 a32a23

Ejemplo 4 Sea A= :) . Encuentre

Escribirnos A y junto a ella sus primeras dos columnas
6 3 -4
-a-1.l. . .,.,_~X ~~-·__
,9:J.1"',.....,,,,-
a1Á"',....."' Solución Eliminando el primer renglón y la tercera columna de A, obtenernos M 13 =
)lo~ ª22

(~ ~).
ª21 y

% Mí". / ~-a~
+- +
Análogamente, si eliminarnos el tercer renglón y la segunda columna obte-
Luego se calculan los seis productos, poniendo signo menos antes de los pro-:
duetos con flechas que apuntan hacia arriba y efectuarnos la suma. Con esto nernos M 32 = ; ).
obtenernos la suma de la Ecuación 4.
98 CAPÍTULO 2 • DETERMINANTES 2.1 • Definiciones

Definición 4 Determinante den x n. Sea A una matriz den x n. Entonces el determinante

1 -3

~).Encuentre
5 de A, escrito det A, o bien 1A 1, está dado por
Sea A=
2 4 o
Ejemplo 5 M 3 2 y M 24·
( 1 5 9 -2
4 o 2 7
(8)
Solución Si eliminamos el tercer renglón y la segunda columna de A,

M32 = G~ D; análogamente, M24 = (! -~ D· La expresión del lado derecho de (8) se conoce como desarrollo por cofactores.

Observación.En la Ecuación (8) quedó definido el determinante mediante el de-

Definición 3 Cofactor. Sea A una matriz de n x n. El ij-ésimo cofactor de A, denotado por sarrollo por cofactores, para lo cual usamos las componentes del ren-
Au, es glón de A. En la próxima sección (Teorema 2.2.1), veremos que se obtiene el
mismo resultado si se desarrolla por cofactores en cualquier renglón o columna.

1 Calcule det A si
Esto es, el ij-ésimo cofactor de A se obtiene tomando el determinante del ij-
3 5
ésimo menor y multiplicándolo por ( - l)i+i. Notemos que
-1 3
(-1y+i = { 1
-1
si i + j es par
si i + j es impar
A=O 1
2
9
4
La Definición 3 tiene sentido debido a que vamos a definir un de-
Observación. 1 3 2
5
terminante de n x n suponiendo que ya sabemos lo que es un determinante o -1 3 4
de (n-l)x(n-1). Solución + + +
2 1 9 6
3 2 4 8
o o -1 4 o
~I41
En el Ejemplo 5 tenemos que -1 3 4 3 4
6
1 5 6 =1 1 9 6 -3 2 9 6 +5 2 1 6 -2 2 1
A32 (- l) 3+ 2IM32I = - 2 o 3 -8 2 4 8 3 4 8 3 8 3 2
4 2 7 + = 160
1 -3 5
=(-1)2+4 1 5 9 =-192
Es claro que el cálculo del determinante de matriz de n x n ser te-
4 o 2 dioso. Para calcular un determinante de 4 x 4, debemos evaluar cuatro deter-
minantes de 3 x 3. Para calcular un determinante de 5 x 5, que evaluar
cinco determinantes de 4 x 4, lo cual es lo mismo que calcular veinte determi-
Consideremos ahora el caso de la matriz general de n x n. Aquí nantes de 3 x 3. Afortunadamente existen técnicas para enorme-
mente estos cálculos. Algunos de estos métodos serán discutidos en la
ª11 a12 aln
sección. Existen, sin embargo, algunas matrices cuyos determinantes
a21 a22 a2n
ser fácilmente establecidos.
A (7)

Detm11e101n 5 Una matriz cuadrada se llama triangular si todas sus componentes

por debajo de la diagonal son cero. Será triangular inferior si todas sus compo-
100 CAPÍTULO • DETERMINANTES 2.1 • Definiciones 101
nentes por encima de la llama diagonal si to-
dos los elementos que no son cero; así que
A= es aiJ O para inferior si ªu Opa-
ra i j diagonal si ªu O para i =fa Notemos que una matriz diagonal
al mismo tiempo triangular inferior.
Es decir: El determinante de una matriz triangular es igual al producto de sus
componentes diagonales.

~)son
1
o
8 matrices A y B
o
o 3 Ejemplo 10 Los determinantes de las seis matrices del Ejemplo 8 son: IAI = 2 · 2 · 1=4;
o IBI = (-2)(0)(1)(-2) =O; !CI = 5. 3. 4 = 60; IDI =O; III = 1; !E!=
o o o -2
(2)(-7)(-4) = 56.

~)
()

Y D G ~) son triangulares inferiores;

o
/y E= (~ -7
o -4
º)
O son Problemas i.1

En los Problemas del 1 al 1O calcule el determinante.

1.
1
o
o 3
1 4 2.
n 1
1
:1
3.
3
6
-1
3
~I
e
9 o o 2 1 o 5 2 -1
o
u
-2
¡-~ ~I
1
¡-~
o 6 3

D
ª21 ª22
A 4. 2 4 5. 6 6. o 3
U31 ª32 U33
2 -3 2 4
a41 U42 a43
2 o 3 -3 o o o -2 o o 7
triangular inferior. Calcule det A. o 1 4 2 -4 7 o o 1 2 -1 4
7. 8. 9.
Solución
o o 1 5 5 8 -1 o 3 o -1 5
detA + +OA 13 +OA14 a11A11 2 3 o 2 3 o 6 4 2 3 o
o o 2 3 -1 4 5
ª11 a33 o o 1 7 8 2
U43 U44 10. o o 4 -1 5
o o o -2 8
o o o o 6
11. Demuestre que sí A y B son matrices diagonales de n x n, entonces det AB =
detA det B.
* 12. Demuestre que si A y B son matrices triangulares inferiores, entonces det AB =
El Ejemplo 9 puede ser generalizado fácilmente para demostrar el siguiente det A det B.
teorema. 13. Pruebe que, en general, no es cierto que det (A + B) = det A + det B.
14. Pruebe que si A es triangular, entonces det A =!=O si y sólo si todas las componentes
diagonales de A son diferentes de cero.
Teorema 1 Sea A= (a¡) una matriz den x n superior* o inferior. Entonces
15. De~uestre el Teorema 1 para una matriz triangular superior.

* La demostración para el triangular superior es más complicada altura,

* 16. Decimos que los vectores G) y (~)generan el área 1 en el plano, ya que si construi-
pero la misma una det puede ser evaluado desarrollando
por cualquier columna (Teorema mos un cuadrado con tres de sus vértices en (O, O), (1, O) y (O, 1), vemos que el
102 CAPÍTULO 2 • DETERMINANTES
2.2 • Propiedades de los determinantes

área es 1. (Figura 2. la.) Más generalmente, si (Xi) y (x2

) son do.s vectores lineal- ali)
Y1 Y2
mente independientes, de dos componentes, entonces generan un área que.se define Dado que la j-ésima columna de A es a~; , la Ecuación (2) nos indica que
como el área del paralelogramo con tres de sus cuatro vértices en (O, O), (x 1 , y )
1
(
Y (x2, Yi). (Figura 2. lb.) an¡

podemos calcular el det A desarrollando por cofactores en cualquier colum-

y na de A.

Figura 2.1

(a) (b)
ParaA = (
-1 2
5
!
2 !) ,
vimos en el Ejemplo 2.1.1 que detA ~ -69. Si desa-
rrollamos en el segundo renglón resulta que
Sea A una matriz de 2 x 2. Si k denota eI area
· generada por Y (Xi) y (xy 2 ),
det A =4A21 + +3A23
e:)= A(~) C:) =A(~),
1 2

donde y demuestre que k = 1detA1. 5 3 5 1

= 4(-1)2+1 2 2.1 + 2(-1)2+2 1 3

** 17. Sean U¡ d.os vectores de dos componentes y sean V¡ = Au¡ y "2 = Au2. De-
y U2
1 4 -1 1 -1 2I
muestre que (ar ea generada por v 1 y v2 ) = (área generada por u 1 y u 2 ) det A ¡.J = -4(16)+ -3(11) = -69
Esto proporciona una interpretación geométrica del determinante. Análogamente, si se desarrolla en la tercera columna, por ejemplo,
det A = 2A1 3 + 3A 23 + 4A33

~I
3
=2(-1)1+31 4 21+3(-1)2+31 3
Propiedades de los -1 2 -1 4
= 2(10)- 3(11) + 4(-14) = -69
Los determinantes tienen muchas propiedades que pueden facilitar los cálcu-
los. Empez~remos a descr~bir estas propiedades estableciendo un teorema, del Inténtese verificar que obtenemos el mismo resultado si desarrollamos en el tercer
cual dedu~iremos lo ~e~as. La demostración de este teorema es dificil y se renglón o la primera o la segunda columna.
pospondra para la prox1ma sección.

Teorema 1 Teorema básico. Sea

Enunciaremos y demostraremos algunas adicionales de los de-
terminantes. En cada caso vamos a suponer que A es una matriz de n X n. *
Se verá que estas pueden ser usadas para reducir enormemente
A trabajo de calcular un determinante.

una matriz de n x n. Entonces

Propiedad 1 Si cualquier renglón o columna de A es el vector cero, entonces det A= O.

Demostración Supongamos que el i-ésimo renglón de A contiene únicamente ceros. Es

au O para j = 1, 2, ... , n. Entonces det A = ¡1 + ¡2 + · · · +
para i I, 2, · · ·, n. Es decir, podemos calcular detA desarrollando por in = O + O + · · · + O = O. La misma demostración funciona si la
cofactores en cualquier renglón de A. Más aún: ma columna es el vector cero. 111

+·. ·+
* Las demostraciones de estas propiedades están dadas en términos de los renglones de una ma-
triz. Si usamos el Teorema 1, las mismas propiedades pueden ser demostradas para las columnas.
 2.2 • Propiedades de los determinantes 105
104 CAPÍTULO 2 • DETERMINANTES

Propiedad 3 Sean
Ejemplo i Es fácil verificar que 0'.1j

e a,.)
ª1i ª12

e
ª12

2
o
3
o o
5
=O y
-1
4
3
2
o
o
1
5
=O
A=
ª21
.
ª22 ª2j
ª'•)
a2n
. ' B=
ª21
.
ª22 0'.2j a2n
ª'") '
-1 6 o 4
anj ann anl an2 O'.nj ann
1 -2 4 anl an2
2 1 o 1

ª12 a1i +a1¡

e a2i +a2i a2n

ª21 ª22
Propiedad 2 Si el i-ésimo renglón o laj-ésima columna de A se multiplican por la constante y C= .
e, entonces det A se multiplica por e. Es decir, si llamamos a esta nueva matriz
B, entonces anl an2 aní +anj ann

ª11 ª12 aln ª11 ª12 aln

Entonces
a2n a2n
ª21 ª22 ª21 ª22
det C = det A + det B
(4)]
IBI= =e =clAI (3)
ca¡ 1 ca¡ 2 cain a¡1 a¡2 ain
En otras palabras, supongamos que A, By C son idénticas excepto por la}-
ésima columna y que laj-ésima columna de Ces la suma de lasj-ésimas colum-
nas de A y B. Entonces det C = det A + det B. Esto mismo es válido pararen-
glones.
Demostración Se desarrolla det C en la j-ésima columna para obtener
Demostración Para demostrar (3) expandimos en el i-ésimo renglón de A:
det C = (a 1 i + a 1 i)A 1i + (a2j + a2i)A2i + · · · + (anj + ani)Ani
det B = cailAil + ca¡ 2A¡ 2 + · · · cainAin
= (a 1iA 1¡ + a 2¡A 2 i + · · · + an¡Ani)
= c(ailAil + a¡ 2A¡ 2 + · · · + a¡nAin) =e det A
+(a 1iA 1¡+a 2iA 2i+· · ·+an¡An¡)=det A+det B fll
Una demostración análoga funciona para las columnas. 11

f.Jeflr'IDIO 3 Sea A (~ -~
o -2
!) .
5
Entonces det A= 16. Si multiplicamos el segundo Eien1010 4
y C= (3 1+2
0 -2+4

renglón por 4, tenemos B = (i~ ~~ 1~) y det B=64=4 det A. Si se

(~ -~ :} Entonces del A= 16, det B= 108 y det C= J24=det A +det B.

multiplica la tercera columna por - 3, obtenemos e= (~ -: - ~~) y

o -2 -15 Propiedad 4
Si se intercambian dos renglones (o columnas) cualesquiera de A, es como si
det C= -48 = 3 det A. se multiplicara det A por -1.

Demostración
Haremos la demostración para renglones y vamos a suponer primero que se
~bse~vadón. Si usamos la Propiedad 2 podemos demostrar (Problema 28) el
intercambian dos renglones adyacentes. Es decir, vamos a suponer que se in-
s1gmente resultado interesante: Para cualquier escalar ex y cualquier matriz A
de n X n, det ex A = cxn det A. tercambian el i-ésimo y el ( i + 1)-ésimo renglón. Sean
106 CAPÍTULO 2 • DETERMINANTES
2.2 • Propiedades de los determinantes

Ejemplo 5 Sea A= (~ ~i :). Si intercambiamos el primero y el tercer renglones,

A= a¡1 a¡2 ain y B=

ªi+l,l ªi+l,2 ai+l,n
obtenemos B = (~ ~~ ~) . Si intercambiamos la primera y la segunda
ªi+l,1 ªi+l,2 ai+1,n
a¡1 a¡2 ain

columnas de A, obtenemos C = (-
-2
~ ~
o
!) .
5
Entonces, por cálculos direc-

tos, detA = 16 y det B = det C -16.

Entonces, si se desarrolla det A en su i-ésimo renglón y det Ben su ( i + 1)-ési-

mo renglón,
Propiedad 5 Si A tiene dos renglones o columnas iguales, entonces det A =O.
det A= a¡ 1 A¡ 1 + +· '' +ainAin (5) Demostración Supongamos que el i-ésimo y el j-ésimo renglones de A son iguales. Si inter-
det B = a¡ 1 B¡+ 1 , 1 + +·. ·+ cambiamos estos renglones obtenemos una matriz B con la propiedad de que
Aquí = (- donde se obtiene eliminando el i-ésimo renglón y la det B = -det A (de la Propiedad 4). Pero puesto que renglón i = renglón j,
1-es1ma columna . Notemos ahora que si eliminamos el 1)-ésimo si los intercambiamos se obtiene la misma matriz. Así, A = B Y detA =
renglón y la j-ésima columna de B, obtenemos el mismo Así det B = -det A. De donde 2 det A = O, lo cual sólo puede pasar si det A = O.

= (-l)i+l+jlM¡jl = -(-1)i+ijM¡jl =

por lo tanto, de las Ecuaciones (5), det B -det A.

Ahora supongamos que i < j y que se intercambian el i-ésimo y el j-ésimo Ejemplo 6 Por cálculos directos podemos verificar que para A=(! -~ [dos

~ - ~ - ~) [dos columnas igu~e~, se tiene que

renglones. Esto se logra intercambiando renglones adyacentes varias veces. Ne- 1
cesitaremos j - i intercambios para mover el j-ésimo renglón al i-ésimo reglón. renglones iguales] y B = (
Entonces el i-ésimo se habrá movido al ( i + por lo
-2 4 4
cual se necesitarán j - i - 1 adicionales para mover el renglón detA = detB = O.
i al j-ésimo renglón. Para los 2 y 6:*

Propiedad 6 Si un renglón (columna) de A es un múltiplo constante de otro renglón (colum-

1 1 1 1 1 1 1 1 na), entonces det A= O.
2 2 2 2 6 6 6 6
3 3 3 6 Demostración Sea (ai1' ai 2 , .•• , ain) = c(an, a¡2, . .. , a¡n). Entonces de la Propiedad 2,
~ ~ ~ ~
2 3 3 3
~ ~
4 4 6 3 3 4 4 ª11 ª12 aln
5 6 4 4 2 5 ª21 ª22 a2n
6 5 5 5 5
7 7 7 7
'~
6 - 2 = 4 intercambios para mo- 6-2-1 3 intercambios para mo- det A= e =O (de la Propiedad 5)
ver el 6 a la posición del 2. ver el 2 a la posición del 6. ai1 ain
ªi2

Finalmente, el número total de intercambios de renglones es

(J-i) + (J-i-1) = -2i-1,elcualesimpar. eldetAsemultipli-
j-ésimo renglón ~ ªi1 a¡2 ain
ca por -1 un número impar de veces, lo cual es lo que necesitábamos demostrar.

* Note que aquí todos los números se refieren a renglones.

• anl an2 ann
•
108 CAPÍTULO 2 • DETERMINANTES
2.2 • Propiedades de los determinantes 109

2 -3 5
Ejemplo 1 1
-4
7
6
2
-10
=O puesto que el tercer renglón es el primer renglón mul-
tiplicado por -2.
Ejemplo 9 Sea A= G--~ -2 5
~) Entonces det A= 16. Si multiplicarnos el tercer

renglón por 4 y lo sumarnos al segundo renglón, obtenernos una nueva matriz

B dada por
2 4 1 12
Ejemplo 8 -1
o
1 o 3
-1 9 -3 =O puesto que la cuarta columna es tres veces la segunda
columna.
B = ( 3+~(0) -1
1 +4(-2)
-2
2 \

5
(1 -1
4+ 5(4)) = 3 -7
o -2
2)
24
5
7 3 6 9
y así det B 16 detA.

Propiedad 1 Si un múltiplo de un renglón (columna) de A se suma a otro renglón (columna)

de A, el determinante no cambiará. Las propiedades que preceden hacen mucho más fácil el cálculo de determi-
nantes de órdenes elevados. Simplemente "reducirnos por renglón" el deter-
Demostración Sea B la matriz obtenida sumando e veces el i-ésimo renglón de A al j-ésirno minante, usando la Propiedad 7, hasta que el determinante se reduzca a una
renglón de A. Entonces forma más fácil de evaluar. Lo más común es usar la Propiedad 7 repetida-
mente hasta que (i) el nuevo determinante tenga un renglón (columna) de ceros,
o un renglón (columna) sea un múltiplo de otro renglón (columna), en cuyo
caso el determinante es cero, o ( ii) la nueva matriz sea triangular de modo que
su determinante sea el producto de sus elementos diagonales.

ªn a¡2 ain
detB = Ejemplo 10 Calcule
1 3 5 2

+ ca¡ 1
o -1 3 4
ail a¡ 2 + Ca¡ 2 a¡n +cain
IAI= 2 1 9 6
3 2 4 8
Solución (Vea el Ejemplo 2.1.7.)
anl an2 ann Tenernos ya un cero en la primera columna, así que es más simple reducir a
cero otros elementos en la primera columna. Luego se continuará reduciendo,
ª11 ª12 a ª11 ª12 aln j
tratando de obtener una matriz triangular:
ª21 ª22 ª21 ª22 ü2n
1 3 5 2
Multiplicarnos el primer renglón por
- 2 y lo sumarnos al tercer renglón y o -1 3 4
I= o -5 -·l 2
se multiplica el primer renglón por -3
(por la Propiedad 3) a¡ 1 a¡2 a¡1 a¡2 y se le suma al cuarto renglón. o -7 -11 2
""' 1 3 5 2
Multiplicamos el segundo renglón por
- 5 y - 7 y lo sumamos al tercer y
o --1 3 4
cuarto renglones, respectivamente. o o -16 -18
o o -32 -26
1 3 5 2
Factorizarnos - 16 del tercer renglón
=-16
o -1 3 4
(usando la Propiedad 2). o o 9
8
detA + O = detA (el cero se debe a la Propiedad 6) 11 o o -32 -26
 2.2 • Propiedades de los determinantes 111
110 CAPÍTULO 2 • DETERMINANTES

1 3 5 2 2 Calcule
Multiplicamos el tercer renglón por -1 3 4
=-16 o 1 -2 3 -5 7
32 y se le suma al cuarto renglón. o o 1 9
8 2 o -1 -5 6
o o o 10 3 -9 4
\A\= 4 7
Ahora queda una matriz triangular superior y IA =1 -16(1)(-1)(1)(10) 3 1 -2 -2 3
(-16)(-10) = 160. -5 -1 3 7 -9

Si sumamos primero el renglón 2 y después el renglón 4 al renglón 5, obte-

Ele.molo 11 Calcule Solución
-2 o 4 nemos
3 -1 5 2 1 -2 5
3 7
IAI= -2 7 3 1 o -5
-1 6
-9 4 =O (de la Propiedad 1)
3 -7 2 5 \A\= 4 7 3
3 1 -2 -2 3
Solución En este caso existen muchas maneras de proceder y no es claro cuál camino nos o o o o o
llevará más rápidamente a la respuesta. Sin embargo, puesto que ya existe un
cero en el primer renglón, empezaremos la reducción en ese renglón. Con este ejemplo se ilustra que si observamos un poco antes de hacer los
cálculos, podemos simplificar el trabajo considerablemente.
Multiplicamos
la segunda co-
lumna por 2 y o 1 o o
1 -1 5 6 Hay otras tres propiedades de los determinantes que nos serán muy útiles.
-4 y la suma-
mos a la prime-
\A\ 12 7 3 -27
ra y cuarta co- Teorema .2 Sea A una matriz den x n. Entonces
-11 -7 2 33
lumnas, respec-
tivamente.
si i f: j

1 o o o
Intercambia- Nota. Del Teorema 1 vemos que la suma en la Ecuación (6) es igual a det A
-1 5 6
mos las prime- si i = j.
ras dos colum- 7 12 3 -27
nas. -7 -11 2 33 Demostración Sea

Multiplicamos
la segunda co- o o
1umna por -5
1 o
y -6, y la su-
-1 1 o o
a;1 a¡2
mamos a la ter- 7 12 -57 -99
c~ra y cuarta -7 -11 57 99 B=
columnas, res-
pectivamente. j-ésimo renglón_, a;1 a;2

Puesto que la cuarta columna es ahora un múltiplo de la tercera (columna

4 = ~ X columna 3), vemos que IA = O. 1
112 CAPÍTULO 2 • DETERMINANTES
2.2 Propiedades de los determinantes 1
Entonces, como dos renglones de B son iguales, det B = O. Pero B = A excep-
to en el j-ésimo renglón. De esta forma, si calculamos el det B desarrollando y
a31 an1
en el j-ésimo renglón de B, obtendremos la suma de la Ecuación (6) y el teore- ª21

ma queda demostrado. Notemos que cuando se calculan los cofactores de B ª22 a32 lln2

desarrollando en el j-ésimo renglón, éste desaparece. Así es que Bjk = A jk para INk1I=
k = 1, 2, ... , n. 11
ll2,k-l a3,k-1 an,k-1

Teorema 3 Sea A una matriz de n x n. Entonces ll2,k+l a3,k+t an,k+l

a2n ll3n ann

el t M =Nt y·puesto que ambas son matrices de (n-l)x(n- la

aramendee inducción
hipótesis 1k . que IM1k l-I
ki, nos dice - Nkl I· A si, A tk = B kt Y la demostra-
Demostración
Para esta demostración se requiere inducción matemática. Si no está familiari- ción está completa. 111
zado con este importante método de demostración, consulte el Apéndice 1.
Demostraremos primero el teorema para el caso n = 2. Si

entonces
Sea A=
-1

-2
1 . Entonces A 1
= ~ ! -D y es fácil verificar

que IAI = IAtl = 16.

y así el teorema es válido para n = 2. Ahora supondremos que el teorema es vá-

lido para las matrices de (n - 1) x (n - 1) y se lo demostrará para las matri-
ces de n x n. Lo anterior prueba el teorema. Sea B = A 1• Entonces Teorema 4 SeanA Y B matrices den x n. Entonces
ª11 ª12 aln
ª11 ª21 an1
ª21 ª22 a2n
IAI= y INl=IBI=
ª12. ª22 an2 det B

,anl an2 ann

aln a2n ann Es decir: El determinante del producto es el producto de los determinantes.
Desarrollamos 1A 1 en el
renglón y 1B1 en la primera columna. Con esto Demostración La demostración con matrices elementales se da en la Sección 2.3. En el Pro-
blema 38 se verificar el resultado en el caso de 2 x 2.
IAI = a11A11 + a12A12 + ... + ª1nA1n
IBI = a11B11 + a12B21 + ... + ª1nBn1
-1 -2
para A= y -1
Es necesario demostrar que A 1k = para k = 1, 2, ... , n. Pero A1k =
1
(-l) +klM1kl y Bk1 = (-l)k+ 1 ¡Nk 1I, donde M 1k es el lk-ésimo menor de A y -2 o
es el kl-ésimo menor de B. Entonces
Solución det A = 16 y det B = - 8. Calculamos

ª21
-1 -2 -1
ª22 a2,k-1 a2,k+1 a2n
AB= 1 -1 -7
ª31 ª32 a3,k-1

IM1kl
ª3.k+l a3n
-2 o 2

anl an2 an,k-1 an,k+l ann y así det AB -128 = detA detB.
 2.2 • Propiedades de los determinantes 1
1 CAPÍTULO 2 • DETERMINANTES
En los Problemas del 21 al 27 calcule el determinante suponiendo que

En los Problemas del al 20 evalúe el determinante usando los métodos de esta

sección. a32 a33 I a32 a33 I
! 22. ª12 a13

1
-~ ~
21. a22 a23

1. I~ -~¡ 2.
I~ -~1 3. a12 a13 a22 a23
2 o -6
-3 4

I~ -~ -~1 -~
23. 24.
1 -1 2 60
-1 4 o 1: -; 1
-1 2 4 a11-a12

7.
U~ ~I
2 -3 4
8. !5 -~ ~
1 -2 3
9.

-1
o

o
o
-3
4
5 --6
5
o
6
3
7
25. 26. a21 -

1 a31 -
a22

a32

o -2 o o -3 4 6 o 27.
10. 11.
3 7 -1 2 2 5 -1 3
es una matriz de n x
4 -3 8 o 3 o
4 28. Usando la Propiedad 2, muestre que si a es un número y
n, entonces det a A = a n det A.
3 -1 2 2 o o o
* 29. Demuestre que
4 3 o o 3 o
12. 13.
-1 o 2 o --1 o o +X1 X2

o o o 4 X1 1 +x2
6 2 5

O a O O 1 2 o o
b o o o 3 -2 o o
14. 15. X1 X2 X3 l+Xn
O O O e o o -5
* 30. Una matriz es antisimétrica si A 1
-A. Si A es una matriz antisimétrica den x
=
o o d o o o 7 2
n, muestre que detA = (-lY detA.
2 -1 o 4
31. Usando el resultado del Problema 30, muestre que si A es una matriz antisimétrica
a b O O de n x n y n es impar, entonces det A O.
d o o 3 1 -1 2 o 1 1
16. 17. 3 2 -2 5 1 32. Una matriz A se llama ortogonal si A es invertible y A- = A • Muestre que si A
O O a -b
o o 4 -1 6 es ortogonal, entonces det A = ± 1.
O O e d ** que A denota el triángulo en el plano con vértices en (X¡. Yi ),
3 2 -1
(x , Yz) y (x3 , Demuestre que el área del triángulo está dada por
2
-1 2 o o a O O O O X1 Y1
3 1 4 o o o o b o o Área de A= X2 Y2
18. 2 -1 5 o o 19. O O O O e X3 Y::i
o o o 2 3 o o o d o ¿En qué condiciones este determinante es igual a cero?
o o o -1 4 O e O O O **34. 'fres rectas, las cuales no son paralelas dos a dos, determinan un triángulo en el
plano. Suponga que las rectas están dadas por
5 -6 8 o
o -7 6 o
o o o 4 o
20.
o 5
4 5 o
1 CAPÍTULO 2 • DETERMINANTES
2.3 • Si el tiempo lo permite: Demostración de tres teoremas importantes 117
Muestre que el área determinada por las rectas es
Nota. La primera igualdad es la Definición 2.1.3 del determinante por desa-
±1 rrollo o expansión de cofactores en el primer renglón; la segunda igualdad dice
A21 A22 Az3 que desarrollando por cofactores en cualquier otro renglón obtenemos el de-
2 A 13 A 23A33
A31 A32 A33 terminante, y la tercera igualdad expresa que desarrollando por cofactores en
35. El determinante de Vandermonde* de 3 x 3 está dado por
cualquier columna también se obtiene el determinante.
1 1
D3 = a1 a2 a3 Demostración Probaremos la igualdad (1) por inducción matemática. Para la matriz de 2 x 2

Muestre que D 3 = (a 2 -a 1 )(a 3

ai
a 1 )(a 3 - a2 ).
a~
A = (ª ª
11
ª21
12
), primero se desarrolla el primer renglón por cofactores:
ª22
1 1 1 1 det A = a 11 A 11 + a 12 A 12 = a 11 (a 22 ) + a 12(-a 21 ) = a 11 a 22 - a 12a 21 • Análo-
gamente, si se hace lo mismo en el segundo renglón, obtenemos a 21 A 21 +
36. D4= =~ :ª :; :; es el determinante de Vandermonde de 4 x 4. a2 2 A2 2 =a 2 1(-a 12 )+a22(a11)= a 11 a22 -a12ª21· De este modo se produce el

ai a~ a~ a¡ mismo resultado desarrollando en cualquier renglón de una matriz de 2 x 2,

Demuestre que D 4 = (a 2 - a 1)(a 3 - a 1)(a 4 - a 1 )(a 3 a )(a _ a )(a _ a ). lo cual demuestra la igualdad (1) en el caso de 2 x 2.
2 4 2 4 3
** 37. a. Defina el determin:nte de Vandermonde Dn de n x n.
Supongamos ahora que la igualdad (1) es válida para todas las matrices de
( n - 1) x ( n - 1). Hay que demostrar que también es válida para matrices
iI1 (ai - a¡), donde I1 representa a la palabra "producto".
b .. Muestre que Dn =
1
den x n. Nuestro procedimiento será desarrollar por cofactores en el primero
j>i y el i-ésimo renglón y mostrar que los desarrollos son idénticos. Si se desarrolla
Note que el producto del Problema 36 se puede escribir TI (ai - a;). o expande en el primer renglón, e:ntonces un término característico en la ex-
i=l
pansión del cofactor es
38. Sean A (ª ª 12) y B = (b1 b12)
=
11

ª21 ª22
i
b21 b22 .
i>i

(3)
a. Escriba el producto AB. Observemos que éste es el único lugar en la expansión de IA 1 en donde aparece
b. Calcule det A, det B y det AB. el término a 1k, ya que otro término característico es a1mAim = (-1) 1 +mjM1ml,
c. Muestre que det AB = (det A )(det B) k i- m, y M 1m la obtenemos eliminando el primer renglón y la m-ésima colum-
39. na de A (y a1k está en el primer renglón de A). Puesto que M 1k es una matriz
Una mat,riz A den X n se llama nulipotente si A k = O, la matriz cero den x n
para algun entero k ~ 1. Demuestre que las siguientes matrices son nulipotentes de (n - 1) x (n - 1), podemos, por la hipótesis de inducción, calcular IMikl
Y encuentre el entero k más pequeño para el cual A k = o. expandiendo en el i-ésimo renglón de A (el cual es el ( i - l )-ésimo renglón de

ª (~ ~) b. Gd o.
M 1k ). Un término característico en esta expansión es

a¡¡ (cofactor de a¡¡ en A1lk) (k:/; l) (4)

40. Demuestre que si A es nulipotente, entonces det A = Por las mismas razones, éste es el único término en la expansión de IMikl, en
41. dLa mat:iz A se dice idempotente si A 2 = A. ¿Cuáles son los posibles valores de el i-ésimo renglón de A, en el que aparece a¡1• Sustituyendo (4) en (3),
et A s1 A es me:m1Jotemte
(5)
es la única vez que aparece el término a 1ka¡1, en la expansión por cofactores del
det A, en el primer renglón.
Ahora, si expandimos por cofactores en el i-ésimo renglón de A (en donde
i =t= 1), un término característico es
Teorema Básico. Sea A = (a u) una matriz de n x n. Entonces
det A a11A11 + a12A12 + ... + ª1nA1n (6)

= a¡1Ail + a¡2A¡ 2 + · · · + ainAin (1) y un término característico en la expansión de 1Mu1 en el primer renglón es
+a2A 2 . +···+a .A.
= ª1iA1; (2) (7)
para i 1, 2, • . • . 1 2 J J n1 n¡ a 1k (cofactor de a1k en M¡ 1)
, n Y J = ' ' . . . ' n.
y sustituyendo (7) en (6), encontramos que la única vez que aparece el término
*A.T. Vandermonde (1735-1796) fue un matemático francés.
a ¡1a tk en la expansión de det A, en el i-ésimo renglón es
118 CAPÍTULO 2 • DETERMINANTES 2.3 • Si el tiempo lo permite: Demostración de tres teoremas importantes

así que (5) se convierte en

(k=I= l) (8)

Si logramos demostrar que las expresiones (5) y (8) son las mismas,. entonces
(1) quedará demostrado, ya que en (5) es la única vez que aparece a 1ka¡1, expan- y (8) en
diendo en el primer renglón, y en (8) es la única vez que aparece a 1kai/ en la ex- (-· 1 y+1a lkail ( - l)l+k IM1¡,1<11 = (- l)i+k+1+1 a1kai1
pansión del renglón i-ésimo, siendo k, i y l arbitrarios. Esto mostrará que las Esto completa la demostración de la Ecuación
sumas de los términos en las expansiones del primero y el i-ésimo renglón son Para demostrar la Ecuación (2) seguiremos un procedimiento análogo. Si
las mismas. expandimos en la k-ésima y la /-ésima columnas, encontramos que la única vez
Supongamos que Mli,kl denote la matriz de (n - 2) x (n - 2) obtenida elimi- en que aparece el término alka¡1 estará dada por y Problemas l
nando el primero y el i-ésimo renglones y la k-ésima y la /-ésima columnas de y 2.) Esto muestra que la expansión por cofactores en dos columnas cuales-
A. (A esto se le llama menor de segundo orden de A.) Supongamos primero quiera es la misma y que cada una es igual al desarrollo en . ., . . . . º'"'""""'
que k<l. Entonces Lo anterior completa la demostración. 11

Ahora deseamos demostrar que para cualesquiera dos matrices den x n de-
ª21 ª2.k-l ª2.1<+1 ª21 ª211
nominadas A y B, det AB = det A det B. La demostración es difícil e
un cierto número de pasos. Haremos uso de un determinado número de resul-
tados sobre matrices elementales que se demostraron en la Sección 1.10.
M11< = a;1 ai.k ªi.k +l a¡1 ai11 (9)
Se comenzará calculando los determinantes de las matrices elementales.

Lema 1 Sea E una matriz elemental.

anl an,k--1 an,k+l a,,1 ª1111
i. Si E Pu, entonces det E = -1
ii. Si E Au(c), entonces detE =
ª11 ª11< ªu-1 ª1,l+l ª111
iii. Si E M¡(c), entonces detE =e

Demostración i. det/ l. E se obtiene de I intercambiando el renglón i con el j. De la

M¡1= ªi-1,1 ªi-1,k ªi-1,l-l ªi-1,1+1 ªi-1,n (10) Propiedad 4, det E = (-1) det I = - l.
ªi+l,l ªi+l,k ªi+l,1--1 ªi+l,l+l ai+l,n ii. E se obtiene de I multiplicando por e el i-ésimo renglón de I y sumándolo
al renglón j. Por la Propiedad 7, det E = det I = 1.
iii. E se obtiene de I multiplicando por e el i-ésimo renglón de l. Por la Pro-
anl ank an,l--l an,l+l ª1111 piedad 2, det E = e detl = c. 111

De (9) y (10), vemos que Lema 2 Sea B una matriz n x n y sea E una matriz elemental. Entonces
Cofactor de a¡1 en l\1 1 k = (11)
det EB = det E det B
La demostración del lema se deriva del Lema 1 y de los resultados relativos
Cofactor de a1k en Mu= (--1) 1+1< \M1 i,kll (12) a las operaciones elementales de renglones discutidas en la Sección Los pa-
Así (5) se convierte en sos en la demostración se indican en los Problemas del 6 al 8.
(-1) i+1<a11<a¡1 (- l)(i-n+ci-t)\M1i.1<1 \ = (-W+k+l-t a11<a¡1 (13) Lema Sea Tuna matriz triangular superior. Entonces Tes invertible si y sólo si det T =f=
y (8) en
O.
1
(-1tHa1kªi1(-l) +k \M1i,kl 1 (-1y+k+l+l ª1kªi1\Mli,kl 1 (14) Demostración Sea
ª12 ª13 aln

Pero (-1y+k+l-l = (-l)i+k+l+i, entonces los segundos miembros de las Ecua- o ª22 ª23 ª2n
ciones (13) Y (14) son iguales. De aquí que las expresiones (5) y (8) son iguales T= o o a33 a3n
Y (1) queda demostrado en el caso k < l. Si k > l, entonces, por un razona-
miento análogo,
o o o ann

Cofactor de a¡1 en M 1 k = (-l)(i--l)+I IM1 i,kl\

Del Teorema 2.1. l,
Cofactor de a ik en M¡¡ = (-1) +<1<-n IM-li,kl \
1
det T = a 11 a 22 · · · ann
1!10 CAPÍTULO 2 • DETERMlf':IANTES 2.3 ° Si el tiempo lo permite: Demostración de tres teoremas importantes 1i1
Así que det T -=fa O si y sólo si cada una de sus componentes diagonales es distin- De (21), y por el modo en que son elegidas las x, vemos que Tx* = O; esto
ta de cero. · es, la ecuación Tx = O tiene una solución no trivial. Utilizando el Teorema
Si det T =1- O, entonces Tpuede ser reducida por renglones del siguiente modo: 1.8.6 de nuevo (parte ii), concluimos que T no es invertible. 111

i. Para i = 1, 2, ... , n divídase entre a¡¡ =!- O la i-ésima fila de T para

obtener El siguiente teorema es muy importante.

1 a'12 a:ln) Teorema! Sea A una matriz den x n. Entonces A es invertible si y sólo si det A =!-O.
O 1 ª2n
Demostración Del Teorema 1.10.7 sabemos que es posible encontrar matrices E 1,
( y una matriz triangular T tales que
o o 1
A=E 1 E 2 ···EmT
ii. Utilice el 1 en la j-ésima componente diagonal para hacer cero cada com-
ponente por encima de él en la j-ésima columna. Utilizando m veces el Lema 2, se ve que
det A = det E 1 det(E 2 E 3 · · · Em T)
Así pues, Tes equivalente por renglón a l y por lo tanto es invertible según
el Teorema 1.8.6 (el Teorema Resumen). = det E 1 det E 2 det(E 3 · · · Em T)
Supóngase que det T = O. Entonces al menos un elemento diagonal es cero.
Sea a¡¡ el primer elemento tal. Entonces T puede ser escrita como = det E 1 det E 2 ·· · det Em- l det(Em T)
ª11 ª12 ª1, í-1 ªu ª1, i+ 1 aln o finalmente,
o ª22 ª2,i-1 ª2i ª2.i+ 1 ª2n
det A = det E 1 det E 2 ••• det Em- l det Em det T (23)

o Por el Lema 1, det E¡ =!- O. Concluimos que det A =!- O si y sólo si det T =!- O.
o ªi-1,i-1 ªi-1,i ªi-1, i+ 1 ªi-1,n
T= (21) Ahora supóngase que A es invertible. Entonces, usando (22) y el hecho de
o o o o ai,i+ 1 ain que toda matriz elemental es invertible, podemos escribir T como el producto
o o o o ªi+ l, i+ 1 a¡+ 1,n de matrices invertibles. Así pues, Tes invertible, y por el Lema 3, su determi-
nante no se anula. Por tanto, detA tampoco se anula.
o o o o o ann
Si det A =!-O, entonces, por (23), det T -=fa O, y por el Lema 3, Tes invertible.
El lado derecho de (22) es el producto de matrices invertibles, y por lo tanto,
Considérese el sistema homogéneo A lo es también. Con esto termina la demostración. 111
ª11X1 + ª12X2 + ... + ª1.i-1X¡-1 + aux¡ =O
Ahora, finalmente, demostraremos el resultado principal.
a22X2 + ... + ª2.i-1X¡-1 + ª2¡X¡ =o
Teorema 3 Sean A y B matrices n x n. Entonces
ªi-1,i-1X¡-1 + ªi-1,¡X¡ =O
det AB = det A det B
Este es un sistema de i 1 ecuaciones en i incógnitas. Por el Teorema 1. 7 .1,
el sistema tiene soluciones no triviales.
Demostrad611 Caso 1: det A = det B = O. Entonces, por el Teorema 2, B no es
y por lo mismo y por el Teorema 1.8.6, existe un n-vector x =!- O tal que Bx
Sea (j'.)una solución tal que no tod:s las x 1, x 2 , •.• , X; sean cero. Sea O. Entonces, (AB)x = A (Bx) = AO = O, lo cual, en virtud del Teorema 1.8.6,
vuelve a decir que AB no es invertible. Por el Teorema 2,
1 O= det AB =O· O= det A det B.
X2
Caso !2: det A = O y det B =!- O; A no es invertible, de modo que existe un n-
x* = X¡
vector y =!-O tal que Ay = O. Como det B =!-O, Bes invertible y existe un vector
único x =!- O tal que Bx = y. Así pues ABx = A (Bx) = Ay = O lo cual mues-
o
tra que AB no es invertible, y por lo mismo,
} " - i '"°'
o det AB =O= O det B = det A det B.
CAPÍTULO 2 • DETERMINANTES
2.4 • Determinantes e inversas 123
Caso 3: det A -:/=- O, A es invertible y puede ser escrita como el producto de ma-
trices elementales:
Teorema 1 Si A es invertible, entonces det A*º y

Entonces, 1
det A- 1 = - - -
det A

Usando el resultado del Lema 2 en forma repetida, vemos que

det AB =
Demostración Del Teorema 2.3 .2, det A -:/=- O. Del Teorema 2.2.4,
det B
1 = det I = det AA - i = det A det
= det A det B. lo cual implica que
det A -i = 1/det A
Antes de usar determinantes para calcular inversas, necesitamos definir
la adjunta de una matriz A= Sea B = la matriz de cofactores de A.
(Recuerde que un cofactor, como se definió en la página 98, es un
Entonces
l. Demuestre que si A se expande en su k-ésima columna, entonces la única vez en
que aparece el término a ikª it la da la Ecuación (5).
2. Pruebe que si A se expande en su /-ésima columna, entonces la única vez en que B=
aparece el término a !ka¡¡ la da la Ecuación (8).
J. Muestre que si A se expande en su k-ésima columna, entonces la única vez en que
aparece el término a¡ka¡1 es ( 1)! (cofactor de a¡1 en M¡k) para f"=Fk.
5 Sea A una matriz de n x n y sea B, dada por la matriz de sus
4. Sea A -1 . Calcule det A expandiendo en cada uno de los renglones
cofactores. Entonces la adjunta de escrita como adj A, es la transpuesta de
5
la matriz B de n x n. Esto es,
y columnas.
-1
5. Haga lo mismo para la matriz A =
7
6. Sea E Pu y sea B una matriz n x n. Demuestre que det EB = det E det B. [Su-
gerencia: Describa la matriz EB y luego utilice la Ecuación (15) y la Propiedad 4.]
7. Sea E = A u(c) y sea B una matriz n x n. Demuestre que det EB det E det B.
[Sugerencia: Describa la matriz EB y luego utilice la Ecuación (16) y la Propiedad 7.]
8. Sea E = M¡(c) y sea B una matriz n x n. Demuestre que det EB = det E det B.
[Sugerencia: Describa la matriz EB y luego utilice la Ecuación (7) y la Propiedad 2.]
4
Sea A= 1 . Calcule adj A.
5

Solución Tenemos A11=1 ~ -117 = 12' o -1 ¡

3
=-3
7 '
En esta sección veremos cómo se pueden calcular las matrices inversas usando y =2. Así B=
determinantes. Más aún, completaremos el trabajo que iniciamos en el
Capítulo 1 de demostrar el importante Teorema Resumen 2. 7 .6 (véanse Teo- y A=Bt=
remas 1.8.6 y 1.10.4), mostrando la equivalencia de varias propiedades de las 2
2
matrices. Empezaremos con un resultado sencillo.
 T
1

124 CAPÍTULO 2 • DETERMINANTES 2.4 11 Determinantes e inversas

~ Sea a1n) (A11 A21

o
-2) Ai2 A22

(-~
-3 a2n
. . .
-12 -2 -6 . . .
A=
10 2 5
. . .
ann Ain Azn
-1 6 1 3
Tenemos
Calcule adj A.
cu= (i-ésimo renglón de A)·U-ésima columna de adj
Solución Este caso requiere un poco más de trabajo puesto que tenemos que calcular
dieciséis determinantes de 3 x 3.
3 -2 -6 1 -3 o =(a¡¡ a,2 · · · a,n) -e::)
Por ejemplo tenemos A 12 = - -2 2 5 A24= -2 10 2 A1n

-1 1 3 6 1 Así cij = a¡1Ajl + a¡2Aj2 + ... + U¡nAjn

1 -3 -2
-2 y A43 = - 3 -12 ~6 = 3. Completando estos cálculos, encontramos Ahora, si i = j, la suma en (7) es igual a a¡ 1 A¡ 1 + + ··· +
que -2 10 5 lo cual es la expansión de det A en el i-ésimo renglón de A. Por otro lado, si
i i=- j, entonces el Teorema 2.2.2 la suma en (7) es igual a cero. Así
- º01 -~ -~ C·. = {det A si i = j
B= 11
O si i i' j
(
2 -3
-2 -2 3 Esto demuestra el teorema. 11

Podemos ahora establecer el resultado principal.

adj A =Bt
; ;¡ =¡ =n Teorema 3 Sea A una matriz de n x n. Entonces A es invertible si y sólo si det A f. O.
Si det A i=- O, entonces

Sea A ª12) . Entonces adJ. A = (A11

ª22 Ai2

Note que el Teorema 1.8.4 para matrices de 2 x 2 es un caso """..,'""'"''ª' de este

teorema.
Cuando calcule la adjunta de una
Advertencia. no olvide transponer la
Demostración La primera parte del teorema es el Teorema 2.3.2. Si detA i=- O, entonces,
matriz de cofactores.

Teorema~ Sea A una matriz de n x n. Entonces 1 1

det A det A
A O o o Pero, por el Teorema 1.8.8, si AB = /, entonces B = A - 1
• De modo que
detA O o
O detA o (l/det A) adj A= A 1
. 11

o o detA
E1emo,lo 4 Sea A = ~ - ~) . Determine si A es invertible y, si lo es, calcule A- 1
•

Demostración Sea C = Entonces

CAPÍTULO 2 • DETERMIN_ANTES 2.4 • Determinantes e inversas 127
Solución Puesto que det A= 3 ::f::. O, vemos que A es invertible. Del Ejemplo 1,

adj A= -3
(
12 -13
5
-7)
2 . Verificación AK 1 = ( !
-2 10
-3
-12 -2 -6
2 5
o
-2)(° 1 o
1 -1 -2
o 1 3 -~)
-3 2 2 -1 6 1 3 -2 2 3 -2
o o
A- 1.=~(~~ -l~ -7)
Así
--3
2

-13
2 2
=

4
5
3
2
3

o
= (! 1 o
o 1
o o !)
Verificación A - 1 A =~ 5
2 G 1
5
=~G 3
o
=I

Nota. Como se habrá observado, si n > 3 generalmente es más fácil evaluar

5 A - 1 reduciendo por renglón y después usando adj A puesto que, aun para el
Sea
caso de 4 x 4, es necesario calcular 17 determinantes (16 para la adjunta y ade-

A=
10 2
! -~~ -~ =~)
5
más det A). Sin embargo, el Teorema 3 es muy importante ya que, antes de
que se haga cualquier reducción por renglón, el cálculo de det A (en caso
de que pueda hacerse fácilmente) nos dirá si A- 1 existe o no.
6 1 3 Habíamos visto el Teorema Resumen (Teoremas 1.2.1, 1.8.6 y 1.10.4) en la
Determine si A es invertible y, en tal caso, calcule A- 1 • Sección 1.10. Este es el teorema que relaciona muchos de los conceptos expues-
/
tos en los primeros dos capítulos de este libro.
Solución Usando las propiedades de los determinantes, calculamos

1 -3 o -2
Teorema 4 Teorema resumen, Versión 4. Sea A una matriz den x n. Entonces, cada uno de
3 -12 -2 --6
los siguientes seis enunciados implica los otros cinco. Es decir, que si uno es
10 2 5 verdadero, todos los demás lo son.
6 1 3
Multiplique la prime- i. A es invertible.
ra columna por 3 y
1 o o o ii. La única solución al sistema homogéneo Ax = O es la solución trivial
3 -3 -2 o
por 2 y súmela a la se- (x = O).
gunda y cuarta colum- -2 4 2 m. El sistema Ax = b tiene una solución única para cada n-vector b.
nas, respectivamente. -1 3 1 1 iv. A es equivalente por renglones a la matriz identidad In de n x n.
v. A es el producto de matrices elementales.
o
-3
4
-2
2 1 = -1
vi. det A *
O.
renglón.
3 1 1 Demostración En el Teorema 1.8.6 demostramos la equivalencia de las partes (i), (ii), (iii)
Así, detA -1 *O y A - 1
existe. Por el Ejemplo 2, tenemos
y (iv). En el Teorema 1.10.3 vimos la equivalencia de (i) y (v). El Teorema
1 (o el 2.3.2) prueba la equivalencia de (i) y (vi). 11
o -1 o
1 2
adj A=
o --1 -3 Problemas !.4
2 --2 -3
Así
-1 o o o
(-~o
1 En los Problemas del 1 al 12 use los métodos de esta sección para determinar
A-1 1
-1 --1
-2
-3
2 1
o
-1
1
-2
3 ~)
-3
si la matriz dada es invertible. Si es así, calcule la inversa.

l. (31 2)2 3. (~ ~)
2 -3 2 3 -2
 ¡-

1!28 CAPÍTULO 2 • DETERMINANTES

2.5 • Regla de Cramer

G ~)
2
G J Go ) Sea D = det A. Definimos n matrices nuevas:

e
4. 2 5. 2 1
6. b1
5 ª12

7·ª'") ,... ,
e ª'")
b2 ª22 a2n b2

G ~)
2
7. 1
1
8. G ~ -1 9. -1
19
-1
o
-7 !) A,= ~.
an2 ann
'

bn ann

H J'
o
-2)
(-~
1 -3 ª12
6
-1
10. 3
12
11. ([
2
-1
3
2
3
¡) 12.
-1
-12
10
6
-2 -6
2 5
3
An=
ª22

an2

13. Muestre que una matriz A den x n es invertible si y sólo si A 1 es invertible. Es decir, es la matriz que se obtiene sustituyendo la i-ésima columna de A
14. Para A = G ~ ), verifique que det A 1
= 11 det A.
por b. Finalmente, sea D 1 = detA 1 = detA 2 , • • • , = detAw

15. Para A~ ( ~ -i _D , verifique que det A- 1 ~ l/det A.

Teorema 4 de Cramer. * Sea A una matriz de n x n y suponga que det A i= O. En-
tonces, la solución única para el sistema Ax = b está dada por
3
16. ¿Para qué valores de a la matriz(: - ) no es invertible?
1-a
a-1
a+l)
17. ¿Para qué valores de a la matriz ( -la 2 3 no tiene una inversa?
2-a a+3 a+7

18. Suponga que la matriz A de n x n no es invertible. Muestre que (A) (adj A) es la Demostración La solución de Ax= b es x =A 1
b. Pero
matriz cero.

1 1
A -ib =-(adj A)b = -
Regla de Cramer D D

En esta sección examinaremos un método antiguo para resolver sistemas con el

mismo número de incógnitas y de ecuaciones. Considere el sistema de n Ahora (adj A)b es un n-vector cuya j-ésima componente es
ecuaciones en n incógnitas.
a1 lX1+ a12X2 +' ' '+ a1nXn = b1
a21X1 + a22X2 + .. '+ a2nXn = b2 + +·. ·+
(1)
. . .
an 1X1 + an2X2 + ... + annXn = bn

el cual puede ser escrito en la forma *Llamada así por el matemático suizo Gabriel Cramer (1704-1752). Cramer publicó la regla en
1750 en su Introduction to the Analysis of Lines of Algebraic Curves. En realidad hay evidencia de
Ax=b (2) que la regla era conocida desde 1729 por Colín Maclaurin (1698-1746), quien fue, probablemente,
el matemático británico más destacado en los años posteriores a la muerte de Newton. La regla
Supongamos que det A* O. Entonces el sistema (2) tiene una única solución de Cramer es uno de los resultados más famosos en la historia de las Matemáticas. Durante casi
dada por x =A - 1b. Podemos desarrollar un método para encontrar esa solu- doscientos años, fue esencial en la enseñanza del Álgebra y de la teoría de ecuaciones. Debido al
ción sin reducción por renglones y sin calcular A 1 enorme número de cálculos que implica su uso, la regla es poco utilizada hoy día. Sin embargo,
el resultado fue muy importante en su momento.
130 CAPÍTULO 2 • DETERMINANTES
2.5 • Regla de Cramer 131
Consideremos la matriz Ai: de manera que el sistema (9) tiene una única solución. Entonces
bi 2 18 6

e
ª12 18 4 6
-12
Ai = ª:21
ª22 b2
ª'")
a2n
(6)
Di= 24 5
4
2 4
1
6
2
18
= 24, Di= 4
3
24
4
6
-2
= y

anl an2 bn ann Di 24

D3 = 4 5 24 = 18. . Por lo tanto X1 = - = -- = 4,
T D 6
j-ésima columna 3 4
D1 12 D3 18
Si expandimos el determinante de Aj en su j-ésima columna, x2 =v= 6
-2 y X3 = -
D
= - = 3.
6
Dj = b 1 (cofactor de b 1 ) + b 2 (cofactor de b 2 ) + · · ·
(7)
+ bn (cofactor de bn)
Pero para encontrar el cofactor de b1, por ejemplo, eliminamos el i-ésimo x 1 +3x2 +5x3 + =2
renglón y laj-ésima columna de Aj (puesto que b1 se encuentra en laj-ésima co-
lumna de A). Pero laj-ésima columna de A 1 es by con ésta eliminada, tenemos
- X2 + 3X3 + 4X4 = Ü
(10)
simplemente el ij-ésimo menor Mu de A. Así 2x 1 + x2 +9x 3 + =-3
3x 1 + 2x 2 + 4x 3 + 8x 4 = -1
Cofactor de b1 en Aj =Au
tiene solución única y encuéntrela usando la regla de Cramer.
de modo que (7) se convierte en
Di= biAlj + b2A2i + ... + bnAni (8) Solución Vimos en el Ejemplo 2.2.10 que
Pero esto es igual que el lado derecho de (5). Así, el i-ésimo componente de 1 3 5 2
(adj A)b es D 1 y o -1 3 4
IAI= =160 ;i: o
2 1 9 6

x= Ü) 3 2 4 8
De modo que el sistema tiene una única solución. Para encontrarla calcula-
mos: D 1 = -464; D 2 =280; D 3 = 56;
x2 = =280/160, x 3 =
=112. Así x 1 =D¡ID=
= -56/160 y x 4 = 112/160. Estas solu-
La demostración está completa. 11 ciones pueden ser verificadas por sustitución directa en el sistema

Usando la regla de Cramer resuelva el sistema

2x 1 + 4x 2 + 6x 3 = 18
4x 1 + 5x 2 + 6x 3 = 24 (9)

3x 1 + x2 - 2x 3 = 4
En los Problemas del 1 al 9 resuelva el sistema dado, usando la de Cramer.
Solución Ya hemos resuelto este sistema usando reducción por renglones en el Ejemplo t. + 3x 2 =
2x 1 2. 3x 1 - x2 = O
1.6.1. Podríamos resolverlo también calculando A - 1 (Ejemplo 1.8.6) y des- + 4x 2 = 47
- 7x 1 4x 1 + 2x 2 = 5
pués encontrando A- 1b. Ahora lo resolveremos usando la regla de Cramer. 3. 2x 1 + X 2 + X 3 = 6 4. X1 + Xz + X3 = 8
Primero 3x 1 - 2x 2 - 3x 3 = 5 4x 2 - X3

2 4 6 8x 1 + 2x 2 + 5x 3 = 11 3x 1 - x 2 + 2x 3 = O
S. 2x 1 + 2x 2 + X3 = 7 6. 2x 1 +sx;- x3=-l
D= 4 5 6 =6#0
X 1 -1- 2X2 - X3 = Ü 4x 1 + X2+3x3=3
3 -2 -x1+ X2+3x3=l -2x 1 +2x2 =O
 Ejercicios de Repaso • Capítulo 2 133
CAPÍTULO 2 • DETERMINANTES

7. 2x1+ X2- X3=4 X2 + X3 + X4 =6 o -1 2

1

9.
X1 +

X1
X3=2
X2 + 5X3 = 1

-x4=7
- X3-
3X3 +6X4 =
X4 "7

-x 4 =5
4
3 12.
GD o
1
13.
(\ -1
o
o
3
o
-1 -D
14.
(-l 4
-4
1 o

D
2X2 + X3 2 En los Ejercicios del 15 al 18 resuelva el sistema empleando la regla de Cramer.
4X1 - X2 = -3
3x 3 -5x 4 = 2 15. 2X1 - X2 = 3 16. X1- X2+ X3=7

* 10. Considere el triáHgulo en la Figura 2.2. 3x 1 +2x2=5 2x 1 -5x3=4

3x2- X3 =2
17. 2x 1 +3x2- X3 = 5 18. - x3+ X4= 7
-x 1 +2x2+3x3 =O 2x 2 + 2x 3 - 3x4 = -1
4X1 - X2 + X3 = -1 4X1 - X2- X3 =0
Figura ~.!1 -2X1 + X2 + 4X3 =2

a. Usando trigonometría elemental, muestre que

e cos A + a cos C = b
b cos A + a cos B =e
e cos B + b cos C = a
b. Si el sistema de la parte (a) se considera como un sistema de tres ecuaciones
en las tres incógnitas cos A, cos By cos C, pruebe que el determinante del siste-
ma no es cero.
c. Use la regla de Cramer para resolver el sistema para cos C.
d. Aplique (e) para demostrar la ley de los cosenos: c2 = a 2 + b2 - 2ab cos C.

de repaso' ~

En los Ejercicios del l al 8 calcule el determinante.

-2

1~o
3
1. ¡-~ ~I 2.
!I 3. 4
o
5
6
5 o o -1 2 3 1 -2
4. 6 2 o 3 4 2 6. 4 o 5
10 100 6 -2 3 4 -6 3

-1 2 3 3 15 17 19
4 o 2 5 o 2 21 60
7. 8.
2 3 7 o o 1 50
5 1 o 4 () o o -1

En los Ejercicios del 9 al 14 use determinantes para calcular la inversa, si la hay.

-5 -1
9. 10. 2 n. 1
2
o -1
CAPÍTULO 3
Vector
!Pt y ~3

En la Sección 1.3 se definieron los vectores columna y renglón como conjuntos

ordenados den números reales. En el siguiente capítulo definiremos otros ti-
pos de conjuntos de vectores, llamados espacios vectoriales.
El estudio de espacios vectoriales arbitrarios requiere, inicialmente, de un es-
fuerzo considerable de abstracción. Por esa misma razón es útil poseer un "al-
macén" de vectores fácilmente visualizables, los cuales pueden ser utilizados
en los ejemplos.
En este capítulo discutiremos las propiedades básicas de los vectores en el
plano xy y en el espacio tridimensional real. Los estudiantes que han cursado
cálculo de varias variables ya habrán visto este material con anterioridad. Si
éste es el caso, este capítulo debe ser expuesto en forma breve y como un repa.,.
so. Para otros casos, la cobertura de este material proveerá al estudiante de
ejemplos que hacen mucho más comprensible el material de los 4 y 5.

1
2
Como lo definimos en la Sección 1.3, ITT\ es el conjunto de vectores con
x 1 y x 2 números reales. Como cada punto del plano se puede escribir en la for-
ma (x, y), es evidente que cualquier punto del plano se puede ver como un
vector en IR 2 y viceversa. Por tanto usaremos indistintamente los términos
"el plano" y "!R 2 " . Sin embargo, para varias de las aplicaciones físicas
yendo los conceptos de fuerza, velocidad, aceleración y cantidad de movimien-
to) es importante pensar en un vector no como un punto, sino como un
que tiene "magnitud" y "dirección". Veremos ahora cómo se hace esto.
Sean P y Q dos punt~en el plano. Entonces el segmento de recta de
P a Q, denotado por PQ, es el segmento rectilíneo que va de P a Q
3.la). Notemos que los segmentos de recta dirigidos y QP son diferentes
pues apuntan en direcciones opuestas (Figura 3 .1 b).
CAPÍTULO 3 • VECTORES.EN ~ 2 y ~
3
3.1 • Vectores

y Detín1icíc>n !l Definición algebraica de un vector. Un vector ven el plano xy

de números reales (a, b). Los números a y b se conocen
del vector v. El vector cero es (O, O).

Figura 3.1 Con esta definición, un punto en el plano xy puede '-'VJ'"'"~"''

Observación 1.
como un vector que se inicia en el origen y termina en ese punto.
(a) (b)
Observación 2. El vector cero tiene magnitud cero. Por tanto, como el punto
--+ inicial y el terminal coinciden decimos que el vector cero no tiene dirección.
El punto P en el segmento de recta dirigido PQ se conoce como punto inicial
del segmento, y el punto Q como punto terminal. Las dos propiedades princi- Enfatizamos que las Definiciones 1 y 2 describen exactamente
Observación 3.
pales de un segmento de recta dirigido son su magnitud (longitud) y su direc- los mismos objetos. Cada punto de vista (geométrico y algebraico) tiene sus
ción. Si dos segmentos dirigidos PQ y RS tienen igual magnitud y dirección ventajas. La Definición 2 es la definición de un vector con dos componentes
decimos que son equivalentes, sin que interese su ubicación con respecto al ori- que hemos venido usando hasta ahora.
gen. Todos los segmentos dirigidos de la Figura 3 .2 son equivalentes.
Como un vector es realmente un conjunto de segmentos de recta equivalen-
y tes, definimos la magnitud o longitud de un vector como la magnitud de cual-
quiera de sus representantes, y su dirección, como la de cualquiera de sus
representantes. Si usamos el representante OR y consideramos el vector v
b ), se tiene que
Figura 3.2 --------x
o

Definición geométrica de un vector. El conjunto de todos los segmentos de recta Esto se sigue del teorema de Pitágoras (vea Figura 3.4). Hemos usado la nota-
dirigidos equivalentes a un segmento dirigido dado, se llama vector. Cualquier ción 1v1 para simbolizar la magnitud de v. Notemos que 1v1 es un escalar.
segmento de recta dirigido en ese conjunto se conoce como un representante
del vector. y R(a, b)

Observación. Todos los segmentos de recta dirigidos en la Figura 3.2 son repre- l
1

sentantes del mismo vector. 1

1

De la Definición 1 vemos que un vector dado v se puede representar de dife- lb

rentes maneras. Sea POun representante de v. Entonces, sin cambiar su mag-
1
1

nitud ni su dirección podemos mover ro paralelamente hasta que su punto ini- Figura 3.4 --+------'-'-.,_
1
1

X
cial quede en el origen. Hemos obtenido así el segmento de recta dirigido GR O a
que es otro representante del vector v (vea Figura 3.3). Ahora supongamos que
R tiene coordenadas cartesianas (a, b). Entonces podemos describir el segmento
de recta dirigido OR, por las coordenadas (a, b). Esto es, OR es el segmento
dirigido con punto inicial (O, O) y punto terminal (a, b). Como un representan- fJe11rHJIO 1 Calcule las magnitudes de los vectores (i) (2, 2); (ii) (2, 2"'5f; (iii) ( - 2);
te de un vector sirve tan bien como otro podemos expresar el vector v como (iv) ( - 3, - 3); (v) (6, -6).
(a, b).
y
Solución L lvl=~=J8=2J2
ii. lvl = .J22 + (2~) = 4
2

m. lvl=.J(-2~)2+2 2 =4
iv. lvl = .J(-3)2+ (-3)2 = Ji8 =
Figura :u v. lvl = ~6 2 + (-6) 2 = m
= 6.Ji
 3.1 • Vectores en el plano 139
2 3
138 CAPÍTULO 3 • VECTORES EN {P?. y {P?.
la multiplicación por un escalar. Si v =(a, b) = ....
1 10
-,." ""• c:xv = (c:xa, ab). De
Dirección de un Ahora definimos la dirección del vector v = (a, b) como el ángulo () (medi:- manera que
vector do en radianes) que forma el vector con la parte positiva del eje x. Por conven-
ción escogemos() tal que O::::;()< 27r. De la Figura 3.4 se observa que si
entonces
a*º' (3)

Esto es:

Multiplicar un vector por un escalar tiene el efecto de multiplicar la

magnitud del vector por el valor absoluto de ese escalar.

Más aún, si c:x>O, entonces c:xv está en el mismo cuadrante que v y, por tanto,
1
la dirección de av es la misma que la dirección de v pues tan- (ab/aa) =
f.lemalo !l Calcule las direcciones de los vectores del Ejemplo 1. tan-l(b/a). Si c:x<O, entonces c:xv apunta en la dirección opuesta a la de v. En
otras palabras:
Solución Estos cinco vectores están representados en la Figura 3 .5.

i. Aquí v está en el primer cuadrante y como tan () = 212 = 1, () = 7r / 4.

ii. Aquí (J=tan- 1 2./3/2 tan- 1J3= 7r/3 (pues v está en el primer cuadrante). Dirección de c:xv = dirección de v, si c:x >O
(4)
iii. Vemos que v está en el segundo cuadrante y, como tan- 1212J3 = Dirección de c:xv = dirección de v + 7r, si c:x <O
tan- 11/ J3 = 7r/6, resulta de la Figura 3 .5c que() = 7r - ( 7r/6) = 57r /6.
iv. Aquí v está en el tercer cuadrante y, como tan- 1 1 = 7r/4, tenemos que
() 7r+(7r/4)=57r/4.
v · Como v está en el cuarto cuadrante y tan- 1(-1) = -71" / 4, se tiene que 2 2
() = 27r-(7r/4) = h/4. f1en1p10 3 Sea v = (1, 1). Entonces \vi = .Jf+1 = J2 Y l2vl 1(2, 2)1=.J2 +2 = J8 =
=2\v\. Más aún, \-2v\ = .J(-2) 2 +(-2)2=2J2 = 2\v\. Además, la direc-
y ción de 2v es 7r/4 mientras que la dirección de -2v es 57r/4 (vea Figura 3.6).
y
(2, 20)
y y

(- y
TI
(1,1) (1, 1)
Figura 3.5

*
X .\
Figura 3.6 -1--x
o o ( 2, 2)

(e)
(b) (e)

Supongamos ahora que se suman los vectores u = (a 1, b1) Y v = (az, b2)

como en la Figura 3. 7. En el croquis vemos que el vector u + v =
----r---+--''-'-.Ll....J-...L-..J...- X
(a + a , b + b ) se puede obtener trasladando el representante del vector
1 2 2 1

( 3, -3) (6, -6)

(d) (e)

Figura 3.1
En la Sección l definimos la suma de vectores y la multiplicación por un o
escalar. ¿Qué ~.,., ... ,,,~~ estos conceptos? Empezamos con
140 CAPÍTULO 3 • VECTORES EN rP!, 2 Y rP!, 3
3.1 • Vectores en el plano 141
v de manera que su punto inicial coincida con el punto terminal (a , b ) del i. Ninguno de ellos es múltiplo del otro. (En la terminología del Capítulo
1 1
vector u. Podemos obtener así el vector u + v dibujando un paralelogramo 4 se dice que son linealmente independien:es) . .
con uno de sus vértices en el origen y lados u y v. Entonces u + v ~s el vector ii. Cualquier vector v se puede escribir en termmos de 1 y J como en la
que va desde el origen a lo largo de la diagonal del paralelogramo. Ecuación (6). *
Nota. Como la recta es la mínima distancia entre dos puntos, se deduce inme-
En estas dos condiciones se dice que ¡ y j forman una bas~ de !R • I?iscutire-
2
diatamente de la Figura 3. 7 que
mos las bases de espacios vectoriales arbitrarios en, e.l Cap.1tulo 4. . .
Definiremos ahora una clase de vector que es muy utll en ciertas aphcac10nes.

Definición 3 Vector unitario. Un vector unitario u es un vector de magnitud igual a 1.

Por razones obvias la desigualdad (5) se conoce como la desigualdad del trián-
gulo.
Ejemplo 4 El vector u:= (1/2)i + (J3/2)j es un vector unitario pues
Podemos usar la Figura 3.7 también para obtener una representación geo-
métrica del vector u - v. Como u = u - v + v, el vector u - v es el vector que de-
be ser sumado a v para obtener u. Este hecho .se ilustra en la Figura 3.8a. Un
hecho similar se ilustra en la Figura 3.8b.
1u1= ~(ff +(v;y = ~H= 1

V
Sea u= ai + bj un vector unitario. Entonces lu:I = ..J a ;- b = 1, ~e .dond.e
2 2

2 + b2 = 1 y u se puede representar por un punto en el circulo umtano (F1-

Figura 3.8 u a 3 IO) s1· () es la dirección de u, entonces vemos inmediatamente que
gura . · . . d ·b· l
V a= cos () y b =sen o. Así, cualquier vector umtano u se pue e escn ir en a
(a) (b) forma
y
t (0, 1)
f u:= (cos e)i+ (sen 8)j (7)

Figura 3.9
(1, O) donde () es la dirección de u.
y
Existen dos vectores especiales en !R 2 que nos representar otros
2
vectores de fR en una forma conveniente. Denotaremos vector (1, O) con u = ai + bj
x2 +y2=1
el símbolo i y el vector (0, 1) con el símbolo j (vea Figura 3.9). *Si v = (a, b)
es otro vector del plano entonces, como (a, b) = a(l, O) + b(O, 1),
Figura 3.10

Con esta representación decimos que v está resuelto en sus componentes verti-
cal y horizontal. Los vectores i y j tienen dos propiedades:
Ejemplo 5 · u --(l/2)i' + (·"Ví312)J" del EJ'emplo 4 se puede escribir en la for-
E1 vector um·t ano
ma (7) con O=cos- 1 (1/2) =?r/3.
* Nota histórica: Los símbolos i y j fueron usados por primera vez por Hamilton, quien definió
el cuaternión como una cantidad de la forma a + bi + cj + dk, donde a es la "parte escalar"
y b i + e j + dk la "parte vectorial". En la Sección 3. 3 se expresarán los vectores en el espacio * En la Ecuación (6), decimos que v se escnbe
· como una com b maczon
· · ' /"nea!
1 de i y j · Discutiremos
según la forma bi + cj + dk.
el concepto de combinación lineal en la Sección 4.5.
14!1 CAPÍTULO 3 • VECTORES EN [JJ52 Y IJP,3 3.2 • El producto escalar y proyecciones en fP5 2 143

También tenemos:
Sea v un vector distinto de cero. Entonces u = v / 1 v 1 es un vector unita-
rio con la misma dirección de v (vea Problema 17).
14. Sean u = 2i - 3j y v = -4i + 6j. Encuentre: (a) u + v; (b) u - v; (e) 3u; (d) -7v;
(e) Su - 3v; (f) 4v - 6u. Dibuje estos vectores.
15. Muestre que los vectores i y j son vectores unitarios.
16. Muestre que el vector (1/.J2)i + (1/.J2)j es un vector unitario.
2 2 2 2
17. Muestre que si v = ai + bj, entonces u= (a/../a +b )i + (b/../a +b )j es un
vector unitario con la misma dirección de v.

En los Problemas del 18 al 21 encuentre un vector unitario que tenga la misma

dirección que el vector dado.
Ejemplo 6 Encuentre un vector unitario con la misma dirección que v = 2i - 3j.
18. v=2i+3j 19. v=i-j
20. v=-3i+4j 21. v=ai+aj; ai=O.
Solución Aquí lvl = ~ 4 + 9 = .JI3, y así, u= v/lvl = (2/.JI3)i - (3/.JI3)j es el vector uni- 2 2 2 2
sen e, en donde
22. Siv = ai + bj,muestreque a/.Ja +b = cos&y.b/../a +b
tario pedido.
@ es la dirección de V.

23. Si V 2i - 3j, encuentre sen e y cose.

24. Si V -3i + 8j' encuentre sen e y cos e.
Concluimos esta sección con un resumen de las propiedades de los vectores
(Tabla 3 .1). Un vector v tiene la dirección opuesta al vector u si la dirección de v es la direc-
ción de u + 7r. En los Problemas del 25 al 28 encuentre un vector unitario v
Tabla 3.1 que tenga la dirección opuesta a la dirección del vector dado u.
Expresión en términos de componentes si
Definición u= u1i+u 2 j, v=v 1i+v 2 j, y 25. u=i+j 26. u=2i-3j
Objeto intuitiva u= (ui, U2), V= (v1, V2) n.u=-~+~ U.u=-~+~
29. Sean u = 2i - 3j y v = -i + 2j. Encuentre un vector unitario en la misma dirección
Objeto con que (a) u + v; (b) 2u - 3v; (e) 3u + 8v.
2 2
vector v magnitud y 30. Sean P = (e, d) y Q = (e+ a, d + b). Muestre que la magnitud de fües .J a + b .
dirección
31. Muestre que la dirección de PQdel Problema 30 es la misma que la del vector (a, b).
lvl magnitud de v [Sugerencia: Si R = (a, b), muestre que la recta que pasa por los puntos P y Q
es paralela a la que pasa por los puntos O y R.]

av En los Problemas del 32 al 35 encuentre un vector v que tenga la magnitud y

(En este esquema dirección dadas.
a =2) 33. lvl = 8; 8 = 7T/3
32. \vi= 3; e= 7T/6
-v /v j-v -v1i-v2i o bien(-v1-v2) o bien -(vi,v 2)
34. \vi= 1; 8 = 7T/4 35. \vi= 6; 8 = 27T/3.
u+v u+v ¿,; v (U¡+ V1)i + (u2 + V2)j o bien (u1 + V1, U2 + V2) * 36. Muestre algebraicamente (esto es, .estrictamente a partir de las definiciones de suma
u de vectores y de magnitud) que para cualquier par de vectores u y v, 1 u + v 1 ::;
u-v V u-v
iul + lvl.
37. Muestre que si u y v son distintos del vector cero, entonces 1 u + v 1 iul + \vi
si sólo si u es un múltiplo escalar positivo de v.

Problemas 3.1
2
En los Problemas del 1 al 12 encuentre la magnitud y dirección del vector dado.
3.2 El producto escalar y proyecciones en o;g
J. V (4, 4) 2. v= (-4, 4) 3.v=(4,-4) En la Sección l. 5 definimos el producto escalar de dos vectores. Si u = (a 1, b ¡)
4. v= (-4, -4) 5. V= (J3, 1) 6. V= (1, J3) y v = (a 2 , b 2 ), entonces
7. v=(-1,v'3) 8. v=(l,-v'3) 9. v=(-1,-v'3)
10. v=(l,2) 11. v= (-5, 8) 12. v=(ll,-14)
13. Sean u (2, 3) y v = (-5, 4). Encuentre: (a) 3u; (b) u + v; (e) v - u; (d) 2u -
7v. Dibuje estos vectores.
144 CAPÍTULO 3 o VECTORES EN &, 2 y (JP,3
3.2 • El producto escalar y proyecciones en &, 2

Veremos ahora cómo puede interpretarse geométricamente el producto esca- y

lar.

Definición 1 Ángulo entre dos vectores. Sean u y v dos vectores distintos de cero. El ángulo
<.p entre u y v se define como el menor ángulo* positivo entre los representantes
de u y v que tienen al origen como sus puntos iniciales. Si u = av para algún Figura 3.13
escalar a, definimos <.p = O si a > O y <.p = 7r si a < O.
Esta definición ~e ilustra en la Figura 3.11. Notemos que <.p siempre se puede u = (a 1 , b 1 ) y v = (a 2 , b 2 ) (vea Figura 3.13). Entonces, de la citada ley de
escoger como un ángulo positivo en el intervalo [O, 7r].
los cosenos, lv-ul 2 = + lul 2 2lul !vi cos <p. Pero
y
y
y
u lv-uJ 2 = (v-u) · (v-u) =v · v-2u · v+u ·u
u
= lvl -2u · v+
V 2

Así, después de simplificar obtenemos que - 2u •v = -2lul lvl cos <.p, de donde
u <p ---Ü-iL--+---..,,.. X
se deduce el teorema. 11
X
Figura 3.11 X
o
o V Observación. Si usamos el Teorema 1 podríamos definir el producto escalar
V
(a) U ' V por
(b) (e)
y
y V
V

<p =o <p = 1T
X
o
X
o Encuentre el coseno del ángulo entre los vectores u= 2i + 3j y v = 7i
u
(d) (e)
Solución u·v=-14+3= lul= y lvl=
Así,
Teorema 1 Sean u y v dos vectores distintos de ceKo. Si <.pes el ángulo entre ellos, entonces
u·v -11 -11
cos íp = - - = -0.4315 *
lul lvl

Vectores Dos vectores y v distintos de cero son si el án-

entre es cero o bien 7r.
Demostración La ley de los cosenos (Problema 2.5. establece que en el triángulo de la Fi-
gura 3.12.

i Muestre que los vectores -3) y =( 6) son

Figura 3.12 U• V -8-18 -26 -26

Solución cos íp = - - =
lv\
e
Por lo tanto <P 7r.
Ahora llevamos los representantes de u y v al origen de forma que

Este ángulo estará en el intervalo [O, 1T'].

* Este número, como otros en el texto, se obtuvo con una calculadora de bolsillo.
a
3.2 • El producto escalar y proyecciones en !J!?, 2 141
2 3
146 CAPÍTULO 3 • VECTORES EN [R5 Y [R5
Los vectores u, v y w se ilustran en la Figura 3.14.
Teorema ! Si u* O, entonces v = cxu para alguna constante ex distinta de cero si y sólo si u y
y
v son paralelos.
u- (U·
wV)v=w
Demostración Esta demostración queda como ejercicio (Problema 35).

Definición 3 Vectores ortogonales. Se dice que los vectores u y v distintos de cero son orto-
Figura 3.14
gonales (o perpendi~ulares) si el ángulo entre ellos es 7T/2.

Ejemplo 3 Muestre que los vectores u= 3i-4j y v = 4i + 3j son ortogonales. Definición 4 Proyección., Sean u Y v vectores distintos de cero. Entonces la proyección de
u sobre v es un vector denotado proyvu, que se define por

Solución u· v = 3 · 4-4 · 3 =O. Estoimplicaquecoscp =(u· v)/(lul !vi) O.

Como cp está en el intervalo [O, 7f], cp = 7T/2.

Teorema 3 Los vectores u y v distintos de cero son ortogonales si y sólo si u · v O.

Demostración Esta demostración también queda como ejercicio (Problema 36).

componente de u en la dirección v es u · v (5)
lvl .
Ejemplo 4 Sea u = i + 4j y v = 3i + aj. Determinar a tal que (i) u y v resulten ortogo-
nales; (ii) u y v resulten paralelos.
Notemos que v/lvl es un vector unitario en la dirección de v.
Solución i. Tenemos que u · v 3 + 4a. Para que u y v resulten ortogonales, debe-
mos exigir que u · v = O. Esto implica que 3 + 4a = O, o lo que es lo
Observación 1. De la Figura 3.14 y el hecho de que cos cp = (u · v)/( 1u1 1v1 ),
mismo, a = -~. encontramos que:
H. En este caso debemos tener cp = O, o bien 7f, así que cos cp = ±1. Entonces,
U• V 3+4a
cos (/) = - - = . = ±1
lul lvl Jt7J9+a 2 v Y proyvu tienen (i) la misma dirección si u · v > O y ( ii) direcciones
opuestas si u · v < O (vea Figura 3.15).
Elevando al cuadrado ambos lados de esta ecuación, obtenemos 9 + 24a +
16a 2 = 17(9 + a 2) = 153 + l 7a 2 • Esto conduce a la ecuación cuadrática
a 2 24a + 144 = O (a 12)2 , con la solución única a = 12.

f''",/v u~
V

Un buen número de problemas interesantes implica el concepto de proyec-

ción de un vector sobre otro. Antes de dar la definición de esto, demostrare-
mos el siguiente teorema.
Figura 3.15 ~· Proy,u Proyvu
({) <1
' º

'i>>r'
Teorema 4 Sea v un vector distinto de cero. Entonces para cualquier otro vector u el vec- U' V> Ü U· V< Ü
tor w u [(u· v)v/lvl 2 Jes ortogonal a v. (a) (b)

w. v = [u_ (u · v)v] . v = 0 • v (u· v)(v · v)

Demostración 2
lvl 2 lvl
Observación i. Es claro que proyvu se puede considerar la ''componente según
v" del vector u.
u·
148 CAPÍTULO 3 • VECTORES EN ~ 2 Y {J/$3 3.2 • El producto escalar y proyecciones en [p<, 2 149
Observación 3. Si tenemos que u y v son ortogonales, entonces u · v = O de 3. u=-5i;v=l8j 4. u= ai; v = (3j; a, {3 reales
donde proyvu = O. 5. u=2i+5j; v=5i+2j 6. U= 2i+ 5j; V= 5i-2j
7. U= -3i+4j; V= -2i-7j 8. u=4i+5j; v= 5i-4j
Observación 4. Otra manera de definir proyección es: Si u y v son vectores dis-
9. Muestre que para cualquier par de números reales ex y (3, los vectores u cxi +
tintos de cero, entonces proyvu es un vector único con las siguientes pro- {3j y v = {3i - aj son ortogonales.
piedades:
10. Sean u, v y w tres vectores arbitrarios. Explique por qué el producto u · v · w no
está definido.
i. · proy vu es paralelo a v. En los Problemas del 11 al 16 diga si los vectores dados son ortogonales, para-
ii. u - proyvu es ortogonal a v.
lelos o ninguna de las dos cosas. Dibuje cada par.
11. u=3i+5j; v=-6i-10j 12. u=2i+3j; v=6i-4j
13. u=2i+3j; v=6i+4j 14. u=2i+3j; v=-6i+4j
15. u=7i; v=-23j 16. u=2i-6j; v=-i+3j
17. Sean u=3i+4j y 1 v=i+aj. Encuentre ex tal que:
Sean u = 2i + 3j y v = i Calcule proyvu.
a. u y v sean ortogonales. b. u y v sean paralelos.
c. El ángulo entre u y v sea 7r/4. d. El ángulo entre u y v sea 7r/3.
Solución Proyv u= (u· v)v/lvl 2 = [5/( J2) 2 ]v = (5/2)i + (5/2)j. (Figura 3.16).
18. Sea u = -2i + 5j y v = ex i - 2j. Encuentre ex tal que:
y
-ti +U a. u y v sean ortogonales. b. u y v sean paralelos.
(2,

~l)
c. El ángulo entre u y v sea 27r/3. d. El ángulo entre u y v sea 7r/3.
19. Con los datos del Problema 17, muestre que no existe ningún valor de ex para el
/
/
/ cual u y v tengan direcciones opuestas.
u /
/
,/
/ 20. Con los datos del Problema 18 muestre que no existe ningún valor de ex para el cual
' (1, 1) u y v tengan la misma dirección.

Figura 3.16 En los Problemas del 21 al 30 calcule proyvu.

o
21. u=3i; v=i+j 22. u=-5j; v=i+j
23. u=2i+j; v=i-2j ~~u=2i+3j; v=4i+j
25. u=i+j; v=2i-3j 26. u=i+j; v=2i+3j
1:.1e11rao10 6 Sean u= 2i - 3j y v = i Calcule proyvu. 27. u=ai+(3j; v=i+j; a, {3 reales y positivos
28. u= i+ j; v = ai+ {3j, a, {3 reales y positivos
Solución Aquí (u· v)/lvl 2 = -!-; por lo tanto, proyv u= -!-i-~j. (Figura 3.17). 29. u=ai-{3j; v=i+j; a, {3 reales y positivos, con ex> (3.
y 30. u =ai-{3j; v=i+j; a, {3 reales y positivos, con ex< (3.

V 31. Sean u = a 1i + b¡j y v = a 2i + bi.i. Halle condiciones en a 1 , b 1, a 2 y b 2 que ase-

guren que v y proyvu tengan la misma dirección.
3.17
32. En el Problema 31 encuentre una condición que asegure que v y proyvu tengan di-
recciones opuestas.
33. Sean P = (2, 3), Q = (5, 7), R = (2, -3) y S = (1, 2). Calcule proy ¡;QRS y
proyf?sPQ.
34. Sean P = (-1, 3), Q = (2, 4), R = (--6, -2) y S (3, O). Calcule proy¡;Q RS y
fi-H proy~PQ.
35. Demuestre que dos vectores u y v distintos de cero son paralelos si y sólo si v
cxu para alguna constante ex. [Sugerencia: Muestre que cos <P = ±1 si y sólo si v
cxu.]
Problemas
36. Demuestre que u y v son ortogonales si y sólo si u · v = O.
37. Muestre que el vector v = ai + bj es ortogonal a la recta ax + by + e = O.
En los Problemas del l al 8 calcule el producto escalar de los dos vectores y
38. Muestre que el vector u = bi - aj es paralelo a la recta ax + by + e = O.
el coseno del ángulo entre ellos.
39. Un triángulo tiene como vértices a (1, 3), (4, -2) y (-3, 6). Encuentre el coseno
1. u=i+j; v=i-j 2. U= 3i; V= - 7j de cada uno de sus ángulos.
150 CAPÍTULO 3 • VECTORES EN !J!5 2 y !J!5
3 3.3 • Vectores en el espacio
40. Un triángulo tiene corno vértices a (a 1, b 1), (a 2 , b 2 ) y (a 3 , b 3 ). Encuentre una fór-
mula para los cosenos de cada uno de sus ángulos.
* 41. La desigualdad de Cauchy-Schwarz establece que para cualquier conjunto de nú-
mero reales a 1, a 2 , b 1 y b 2 • .
11 akbkl~ Ctª~r2Ctb~r 2
Use el producto escalar para demostrar esta fórmula. ¿En qué circunstancias esta
desigualdad puede· ser reemplazada por una igualdad?
* 42. Demuestre que la distancia más corta entre un punto y una recta se mide a lo largo
de una línea que pasa por el punto y es perpendicular a la recta.
43. Encuentre la distancia entre P = (2, 3) y la recta que pasa por los puntos Q
y R = (3, 5).
44. Encuentre la distancia entre (3, 7) y la recta que contiene el vector v
pasa por el origen.
45. Sea A una matriz de 2 X 2 tal que cada columna es un vector unitario y las dos
columnas son ortogonales. Demuestre que A es invertible y que A - 1 = A 1• (A se
denomina matriz ortogonal.)
3.3 Vectores en el espacio
Hemos visto que cualquier punto en un plano se puede representar como un
par ordenado de números reales. Análogamente, cualquier punto en el espacio
se puede representar por una tríada ordenada de números reales
(a, b, e)
3
IR está compuesto de vectores de la forma (1). Para representar un punto en el
espacio empezamos por escoger un punto en !R1 3 • Llamamos a este punto el ori-
gen, denotado O. Luego dibujamos tres ejes mutuamente perpendiculares que
llamamos eje X, eje y y eje z. Estos ejes se pueden seleccionar de varias ma-
neras, pero la selección más común es con los ejes x y y dibujados horizontal-
mente, con el eje z vertical. En cada eje escogemos una dirección positiva y
medimos la distancia a lo largo de ese eje como el número de unidades en esta
dirección positiva medidas desde el origen.
Figura 3.18
(a) (b)
Los dos sistemas básicos para representar estos ejes se ven en la Figura 3.18.
Si los ejes se ubican como en la Figura 3.18a, entonces se dice que el sistema
es de mano derecha; si se colocan como en la Figura 3.18b, se dice que es de
mano izquierda. En las figuras las flechas indican las direcciones positivas
151
Figura 3.19
X
de los ejes. La justificación de estos términos es la que sigue: En un sistema de
mano derecha, si ponemos la mano derecha de forma que el dedo índice apun-
te en la dirección positiva del eje x, mientras que el dedo medio apunte en la di-
= (-1, 7) rección positiva del eje y, entonces el pulgar apunta en la dirección positiva del
eje z. Este concepto se ilustra en la Figura 3.19. Para un sistema de mano iz-
= 2i - 3j y quierda la misma regla se aplica para la mano izquierda. En lo que resta de este
texto seguiremos la práctica común y dibujaremos los ejes coordenados usan-
do un sistema de mano derecha.
Los tres ejes en nuestro sistema determinan tres planos coordenados que son
llamados el plano xy, el xz y el yz. El plano xy contiene a los ejes x y y, y
es simplemente el plano con el cual hemos estado tratando en la mayor parte
de este libro. Los planos xz y yz se pueden considerar de manera análoga.
Habiendo construido nuestra estructura de ejes y planos coordenados, po-
demos describir cualquier punto P en IR 3 en forma única:
(1) donde la primera coordenada x es la distancia del plano yz a P (medida en
la dirección positiva del eje x y a lo largo de una línea paralela al eje x), la se-
gunda coordenada y es la distancia del plano xz a P (medida en la dirección
positiva del eje y y a lo largo de una línea paralela al eje y) y la tercera coorde-
nada z es la distancia del plano xy a P (medida en la dirección positiva del eje
z y a lo largo de una línea paralela al eje z).
En este sistema los tres planos coordenados dividen !R1 3 en ocho octantes al
igual que en IR 2 los dos ejes coordenados dividen el plano en cuatro cuadran-
tes. El primer octante es siempre aquél en el que las tres coordenadas son posi-
tivas.
El sistema coordenado así escogido se llama frecuentemente sistema coorde-
nado rectangular o sistema coordenado cartesiano. Una vez que nos familiari-
cemos con la forma de describir un punto en este sistema, podremos generalizar
varios conceptos del plano.
Teorema 1 Sean P = (x 1, y 1, z¡) y Q = (x2 , y 2 , z2 ) dos puntos en el espacio. Entonces la dis-
tancia PQ entre P y Q está dada por
(3)
En el Problema 39 se pide demostrar este resultado.
 2 3
152 CAPÍTULO 3 • VECTORES EN /P? y /P? 3.3 • Vectores en el espacio 153

Ejemplo 1 Calcule la distancia entre los puntos (3, - 1, 6) y ( -2, 3, 5),

V - U - V

Solución PQ= .J[3-(-2)] +(-1-3) + (6-5) = ./42

2 2 2

V V

Figura 3.20 ~º----y .>-0---__.-y

En las Secciones 3 .1 y 3 .2 discutimos propiedades geométricas de los vecto-
res en el plano. Debido a que los sistemas coordenados en lR 2 y [R 3 son muy si-
milares, no es sorpr"endente que los vectores en !R'. 2 y !R'. 3 , tengan estructuras
muy similares. Discutiremos ahora el concepto de un vector en el espacio. El
desarrollo de este tema seguirá estrechamente el desarrollo de las últimas dos
secciones y por tanto se omitirán algunos detalles.
Sean P y Q dos puntos distintos en !R'. 3 • Entonces el segmento de recta dirigi-
do PO es el segmento de recta que va de P a Q. Dos segmentos de recta dirigi-
3
dos son equivalentes si tienen la misma magnitud y dirección. Un vector en !R'.
es el conjunto de todos los segmentos dirigidos equivalentes a un segmento di- flell~DIO
rigido dado y cualquier segmento dirigido PQ en ese conjunto se llama un re-
presentante del vector. Solución
Hasta aquí las definiciones son idénticas. Por conveniencia elegimos P como
el origen, de forma que el vector v = 00 se pueda describir por las coor-
denadas (x, y, z) del punto Q. Entonces la magnitud de v = lvl = R+ y 2 + z 2
(Teorema 1).
Ejemplo 2 Sea v = (1, 3, -2). Encuentre lvl.
X X
(d) (e)
Un vector unitario u es un vector de magnitud l. Si ves cualquier vector dis-
tinto de cero, entonces u= es un vector unitario que tiene la misma direc-
ción que v.
3 Encuentre un vector unitario que tenga la misma dirección que v = (2, 4, -
Como v=.J2 2 +4 2 +(-3) 2 =v'29, tenemosque u=(2/./29, 4/./29, -3/./29).
Ahora podemos definir formalmente la dirección de un vector en !R'. 3 . No
podemos definirla como eLángulo ()que forma el vector con la parte positiva
del eje x pues, por ejemplo, si O < () < 7r/2, entonces existe un número infini-
to de vectores que forman el ángulo (} con la parte positiva del eje x y todos
ellos forman un cono (Figura 3.21).

Solución lvl =JI4.

Figura 3.!l1
Sean u=(x 1, y 1, z 1) y v=(x2 , y 2 , dos vectores y sea cx un número real (es-
calar). Entonces definimos
X

Defím1e1cm 1 Dirección en IP? 3• La dirección de un vector v distinto de cero en [R

3
se define
como la dirección del vector unitario u = vI 1v1.
Observación.Podríamos haber definido la dirección de un vector v de fR 2 de
esta forma. Si u= v/lvl, entonces u= (cos O, sen O) donde(} es la dirección de v.
Esta es la misma definición de suma de vectores y multiplicación por un escalar
que teníamos antes y se ilustra en la Figura 3.20. Definiremos la dirección de un vector en términos de ciertos ángulos. Sea v
el vector OP descrito en la Figura 3.22. Definimos cx como el ángulo entre v y
U+ V
O'.U -u

u u

Figura 3.20 y y y
o o o Figura 3.U

X X X
(a) (b) (e) (xo, O, O)
X
154 CAPÍTULO 3 • VECTORES EN (Jg 2 Y(Jg 3
3.3 • Vectores en el espacio 155
la parte positiva del eje x, (3 el ángulo entre v y la parte positiva del eje y y 'Y el
ángulo entre v y la parte positiva del eje z. Los ángulos Ct'., (3 y 'Y se conocen Encuentre un vector v de magnitud 7 y cuyos cosenos directores sean 1/J6,
Ejemplo 5
como los ángulos directores del vector v. Entonces, de la Figura 3.~2.
11J3 y 11J2.

Xo ~ Yo Zo
Sea u= (l/J6, 11J3, l!Ji). Entonces u es un vector unitario pues Ju!= 1. Así,
la dirección de v está dada por u y v = 1v1 u = 7u = (7 ;J6, 7 ;-13, 7 ;./2).
L--~~~~-c-o-s~Ct'.~J-vl~~co_s_~_=~lv_J~-c-o_s_y_=_J_vl~~~ Nota. Podemos resolver este problema porque (1/J6) 2 + (1/-13)2 + (1/J2)2 = 1.

Si v es unitario entonces !vi = 1 y

COS Ct'. = Xo cos ~=Yo COS 'Y= Zo (5) Es interesante notar que si v, un vector en fR 2 , se escribe v = ( cos O)i +
(sen O)j, donde O es la dirección de v, entonces cos O y sen {) son los cosenos
Por definición, cada uno de estos tres ángulos está en el intervalo [O, ?r]. Los directores de v. Aquí Ct'. Oy definimos (3 como el ángulo que v forma con el eje
cosenos de estos tres ángulos se denominan cosenos directores del vector v. No- y (vea Figura 3.24). Entonces (3 = ( ?rl2) - Ct'. y así cos (3 = cos ( ?r/2 - Ct'.)
temos, de las Ecuaciones (4), que sen Ct'. y v se puede escribir en la forma de "cosenos directores":

V= COSCt'. i + cos~ j
x2+y2+ 22
cos 2 Ct'. + cos 2 ~ + cos 2 y= 0 0 0
2
(6)
lvl

Si Ct'., (3 y 'Y son tres números cualesquiera entre O y 7r que satisfacen la condición Figura 3.24
(6), entonces determinan un vector único dado por u = (cos Ct'., cos (3, cos -y).

Observación. Si v = (a, b, c) y v =I= l, entonces los números a, by c se cono- En la Sección 3 .1 vimos que cuaJquier vector en el plano se puede escribir en
3
cen como los números directores del vector v. términos de los vectores básicos i y j. Para extender esta idea a IR definimos

Ejemplo 4 Encuentre los cosenos directores del vector v = (4, -1, )). i = (1, O, O) j =(O, 1, O) k=(O, O, 1)

Solución La dirección de ves v/lvl = (4/-J53, -1/ill, 6/ill). Entonces

cos Ct'. = 4/ill ~ 0.5494, cos (3 -1/ill ~ -0.1374 y cos 'Y 61 ill ~ Aquí, i, j y k son vectores unitarios. El vector i está sobre el eje x, j en el eje Y
0.8242. De aquí, usando una tabla de cosenos o una calculadora de bolsillo y k en el eje z (se representan en la Figura 3.25). Si v = (x, y, z) es un vector
obtenemos Ct'. ~ 56.7° ~ 0.989 rad, (3 ~ 97.9° ~ 1.71 rad y 'Y = 34.5° ~ 0.602 cualquiera en [R 3 , entonces
rad. El vector, junto con sus ángulos Ct'., (3 y -y, aparece en la Figura 3 .23.
v = (x, y, z) = (x, O, O)+ (O, y, O)+ (O, O, z) =xi+ yj + zk

Esto es: Cualquier vector v en [R 3 se puede escribir de f arma única en términos

(4, -1, 6) de los vectores i, j y k.
I' 'Y
1 V

Figural.23
1

la y t (0, O, I)

(4, -1,0)¡ k
Figura 3.25 --+--Y
X
i/·· o (O, 1, 0)

X ,{i, O, O)
 T

156 CAPÍTULO 3 • VECTORES EN {R?,

2
Y !Jl!, 3
3.3 • Vectores en el espacio 157

La definición de producto escalar en !R 3 es, desde luego, .la definición que (-2, -6,8)
dimos en la Sección 1.5. Notemos que i · i = 1, j · j ~ 1, k · k = 1, i · j =
O, j · k = O, i · k = O.
V

Teorema !1 Si <P denota el menor ángulo positivo entre dos vectores u y v distintos de cero,
Figura 3.!l6
tenemos que
o u
X
(1,3, -4)

Ejemplo 8 Encuentre un número a tal que u 8i - 2j + 4k y V 2i + 3j + a k sean

ortogonales.
Demostración La demostración es casi idéntica a la demostración del Teorema 3.2.l y se deja
como ejercicio (Problema 40). Solución Debemos mostrar que O= u· v = 10 + 4a de donde a= - ~- Los vectores u y v
están dibujados en la Figura 3 .27.

fJe1mP1fO 6 Calcule el coseno del ángulo entre u= 3i + 2k y v = 4i + 3j - k.

Solución U ..V 7, Jf4, < lvl = de modo que cos cp = 7 /.J(14)(26) = 7 /.J364 = Figura 3.!l1 (8, - 2, 4)
0.3669 y <.p = 68.5º = 1.2 rad. u

(2, 3, - D
X

Vectores oari~lelc::>s y ort ogcma1res. Dos vectores u y v distintos de cero son

1

Volvamos ahora a la definición de la de un vector sobre otro.

nrf-YUP•f'f'l!('\n

i. Paralelos si el entre ellos es cero o bien 7r. Primero estableceremos un teorema al Teorema 3 .2.4 (y que tiene
ii. Ortogonales (o perpendiculares) si el ángulo entre ellos es 7r/2. idéntica demostración).

Teorema 4 Sea v un vector distinto de cero. Entonces, para ...............,, . _., ...,, otro vector
i. Si u* O, entonces u y v son si y sólo si v = au para cons- u·v
tante a ::;t:O. w=u- lvl2 v
ii. Si y v son distintos de cero, entonces u y v son si y sólo si
u·v=O. es a v.

Nuevamente la demostración es fácil y se como Detmi1c1c1n 3 Sean u y v dos vectores distintos de cero. Entonces la
de u sobre v, denotada proyvu, se define como

a;;111:;1u~.nv 1 Muestre que los vectores u= i + 3j-4k y v = -2i 6j + 8k son

Solución y 1v 1 = Así, u 1 1v 1
= -1, de manera que cos () = -1, () = 7r u y v son
de direcciones Otra forma de ver esto es notando que v
-2u y, por el Teorema 3, u y (Figura La componente de u en la dirección v está dada por (u.·
 3.4 s El producto vectorial (o cruz) de dos vectores 159
CAPÍTULO 3 • VECTORES EN ~ 2 Y ~
3
158
33. Calcule 1 w ¡. 34. Calcule u · w - w · t.
Ejemplo 9 Sean u= 2i + 3j + k y v = i + 2j-6k. Encuentre proyvu. 35. Calcule el ángulo entre u y w. 36. Calcule el ángulo entre t y w.
37. Calcule proyuv. 38. Calcule proy1w.
Solución Aquí (u· v)/lvl 2 = 2/41 y proyvu = :fii+ 44Jj-tfk. La componente de u en la di- 39. Demuestre el Teorema l. [Sugerencia: Usar el teorema de Pitágoras dos veces en
rección v es (u· v)/lvl = 2/ffl. la Figura 3.28.]

Notemos que, como en el caso del plano, proyvu es un vector que tiene la
misma dirección que v si u · v > O y dirección opuesta a la de v si u · v < O.

X Q(x2, Y2, z2)

Problemas 3.3 40. Demuestre el Teorema 2. 41. Demuestre el Teorema 3.

42. Demuestre el Teorema 4.
En los Problemas del 1 al 3 encuentre la distancia entre los dos puntos.
1. (3, -4, 3); (3, 2, 5) 2. (3, -4, 7); (3, -4, 9)
3. (-2, 1, 3); (4, 1, 3)
3.4 El producto vectorial (o cruz) de
En los Problemas del 4 al 17 determine la magnitud y los cosenos directores
del vector dado.
dos vectores
4. v= 3j 5. v= -3i 6. 4i-j
V=
Hasta aquí el único producto de vectores que hemos considerado es el produc-
7. v=i+2k 8. v=i-j+k
to escalar o producto punto. Definimos ahora un nuevo producto llamado
9. v=i+j-k
10. v= -i+j+k 11. v=i-j-k 12. v=-i+j-k producto vectorial (o producto cruz)* que sólo está definido en [R 3 •
13. v= -i-j+k 14. v= -i-j-k 15. v= 2i+5j-7k
16. v=-3i-3j+8k 17. V= -2i - 3j - 4k
Definición 1 Producto vectorial. Sea u = a 1i + b¡j + c1k y v = a 2i + b2 j + c2k. Entonces
el producto cruz (o vectorial) de u y v, denotado u x v, es un nuevo vector
18. Los tres ángulos directores de cierto vector unitario son los mismos y están entre
definido por
O y 7r/2. ¿Cuál es el vector?
19. Encuentre un vector de magnitud 12 que tenga la misma dirección que el vector
del Problema 18. (1)
20. Muestre que no existe ningún vector unitario cuyos ángulos directores sean 7r/6,
7rl3 y 7r/4.
21. Sean P = (2, 1, 4) y Q = (3, -2, 8). Encuentre un vector unitario en la dirección PQ. Observe que el resultado del producto cruz es un vector, mientras el resultado
22. Sean P = (-3, 1, 7) y Q (8, 1, 7). Encuentre un vector unitario cuya dirección del producto escalar es un escalar.
sea la opuesta a la de ro.
23. En el Problema 22 encuentre todos los puntos R tales que PR j_ ro. Parecería que el producto cruz ha sido definido de una manera un tanto ar-
* 24. Muestre que el conjunto de puntos que satisfacen la condición del Problema 23 y bitraria. Existen obviamente varias maneras de definir un producto vectorial.
la condición IPRI 1 forman un círculo. ¿Por qué se escogió esta definición? Responderemos a esta pregunta en esta
25. Si u y v están en ¡¡:e, muestre que 1u + v1 : : ; /u 1 + 1v1- sección demostrando algunas de las propiedades del producto cruz e ilustrando
26. ¿En qué circunstancias la desigualdad del Problema 25 se puede sustituir por una algunos de sus usos.
igualdad?

En los Problemas 27 al 38 sean u 2i - 3j + 4k, v -2i - 3j + 5k, w Ejemplo 1 Sea u= i - j + 2k y v = 2i + 3j - 4k. Calcule w =u x v.
i - 7j + 3k y t = 3i + 4j + 5k.
27. Calcule u+v. 28. Calcule 2u - 3v.
29. Calcule t+3w-v.
* Nota histórica: El producto cruz fue definido por Hamilton en uno de los artículos en que dis-
30. Calcule 2u-7w+5v. cutía los cuaterniones, publicados en Philosophical Magazine entre los años 1844 Y 1850.
31. Calcule 2v+7t-w. 32. Calcule u· v.
160 2
CAPÍTULO 3 • VECTORES EN /]g Y/]g 3 3.4 El producto vectorial (o cruz) de dos vectores

Solución Usando la fórmula iii. xv = X

iv. u x (v + (u x v) +(u x
w = [(-1)(-4)- (2)(3)]i + [(2)(2)- (1)(-4)]j + [(1)(3)- (-1)(2) ]k
torial).
= -2i+8j+5k V. (U X V) • W = U ' (V X W) . es llamado el producto escalar de u, v,
y
Nota. En este ejemplo u · w = (i - j + 2k) · (-2i + 8j + 5k) = -2 - 8 + vi. U • (U X V) = V • (U X V) = Ü. es, u X ves tanto a u como
10 = O. Análogamente v · w = O. Esto es, u x ves ortogonal tanto a u como a
a v. Como veremos. en breve, el producto cruz de u y v siempre es ortogonal vii. Si u y v son entonces u x =O.
a u y a v.
La parte es la más comúnmente usada de este teorema. La reformulare-
mos a continuación:
Antes de continuar nuestra discusión de los usos del producto cruz observe-
mos que hay una forma fácil de calcular u x v con el uso de determinantes.

Teorema 1
k * Sabemos que u x v es un vector re-
uxv= a 1 b1 c1 sultado nos da su ""'"'''"'"'',,_,,,,..,
a2 b2 C2

Teorema 3 Si <P es el entre u y v, entonces

Demostración
k

= (b1 c2 - C1 b2)i + (c1 ª2 - a1 c2)j + (a1 b2 - b1a 2)k Demostración Es fácil mostrar
(Problema 3
lo que es igual a u x v de acuerdo a la Definición 1. 1111
ju <p= (1-cos2 e)

Ejemplo i Calcule uxv, donde u=2i+4j-5k y v= -3i-2j+k.

y el teorema demostrado tomando la raíz cuadrada de ambos lados.
j k
Solución uxv= 2 4 -5 =(4-10)i-(2-15)j+(-4+12)k
-3 -2 1
= -6i+ 13j + 8k
V

El siguiente teorema resume algunas de las propiedades del producto cruz. Su

demostración se deja como ejercicio (vea Problemas del 32 al 35).
o
3 X
Teorema i Sean u, v y w vectores en !R y sea a un escalar. Entonces:
i. uXO=OXu=O.
ii. u x v = -(v x u) (propiedad anticonmutativa del producto vectorial). Existe una interpretación interesante del Teorema 3. Los vecto-
res u y v están dibujados en la 3 .29 y se los puede imaginar como los dos
* Este no es realmente un determinante pues i, j y k no son números. Sin embargo, usando nota- lados adyacentes de un paralelogramo. Entonces, de la geometría elemental,
ción de determinantes, el Teorema 1 nos ayuda a recordar cómo se calcula un producto cruz. vernos que
 ----------
\

162 CAPÍTULO 3 • VECTORES EN {R?, 2 Y {R?, 3 3.4 • El producto vectorial (o cruz) de dos vectores 163
k
Área del paralelogramo lul lvl sen cp = lu x vi (3) área generada por u y v = lux vi = u 1 u2 O
V1 V2 Ü

= l(u1 V2 - U2V1)kl = U1 V2 -
1 U2V11 *

Ejemplo 3 Encuentre el área del paralelogramo con vértices consecutivos en P = ( l, 3, - 2), Ahora sean A - ( ª11 ª12) , u ' = Au y v' = Av. Entonces
ª21 ª22
Q=(2, 1, 4) y R=(-;:-3, 1, 6).
u ' = (ª11U1+a12U2) yv ' = (ª11V1+a12V2).
R( -3, 1, 6) ª21U1 +a22U2 ª21V1 +a22V2
¿Cuál es el área generada pDr u' y v '? Siguiendo los pasos anteriores,
i j k
Q(2, l, 4)
Área generada por u' y v' = lu' x v'I = a 11 u 1 + a1 2 U2 a 21 U1 + a22U2 O
Figura 3.30 y
ª11 V1 + a12V2 ª21 V1 + a22V2 o
= l(a11 U1 + ª12U2)(a21 V1 + ª22V2)-(a21 U1 + ª22U2)(a11 V1 + ª12V2)I
X
P(l, 3, -2)
Por álgebra elemental podemos verificar que la última expresión es igual a
Solución El paralelogramo está dibujado en la Figura 3.30. Tenemos !(a11 a22 - a12ª21)(u1 V2 - u 2v1)I = ±det A (área generada por u y v)

Área = IPO X ORI = l(i- 2j + 6k) x (-Si+ 2k)I Así (en este contexto): El determinante tiene el efecto de multiplicar el área. En
j k el Problema 41 se pide mostrar que, en cierto sentido, un determinante de 3 x 3
1 -2 6 = l-4i-32j-10kl = ../1140 unidades cuadradas tiene el efecto de multiplicar el volumen.
-5 o 2

Problemas 3.4
Interpretación Podemos usar la discusión anterior para dar una interpretación geométrica
En los Problemas del l al 20 determine el producto cruz u x v.
geométrica de del determinante. Sea A una matriz de 2 x 2 y sean u y v dos vectores con dos
1. U = i - 2j; V = 3k 2. u=3i-7j; v=i+k
determinantes
f xf Sean u {::) y v = (~:). Estos vectores están dados en la Figura 3.31. El 3.
S.
u=i-j; v=j+k
u= -2i+3j; v= 7i+4k
4. u=-7k; v=j+2k
6. u=ai+bj; v=d+dj
área generada por u y v se define como el área del paralelogramo dado en la 7. u=ai+bk.; v=d+dk 8. u=aj+bk; v=d+dk
figura. Podemos considerar a u y v como vectores de IR 3 en el plano xy. 9. u=2i-3j+k; v=i+2j+k 10. u=3i-4j+2k; v=6i-3j+5k
11. u=-3i-2j+k; v=6i+4j-2k 12. u=i+7j-3k; v=-i-7j+3k
13. U= i-7j-3k; V:::: -i+7j--3k 14. u=2i-3j+5k; v=3i-j-k
y 15. u= 10i+7j-3k; v= -3i+4j-3k 16. u=2i+4j-6k; v=-i-j+3k
17. u=2i-j+k; v=4i+2j+2k 18. u=3i-j+8k; v=i+j-4k
19. u=ai+aj+ak; v=bi+bj+bk 20. u=ai+bj+ck; v=ai+bj-ck
21. Halle dos vectores unitarios ortogonales a u = 2i - 3j y a v = 4j + 3k.
22. Encuentre dos vectores unitarios ortogonales a u = i + j + k y a v = i - j - k.
Figura 3.31 V= G~) 23. Utilice el producto cruz para encontrar el seno del ángulo i.p entre los vectores u =
2i + j - k y V = -3i - 2j + 4k.
24. Utilice el producto escalar para calcular el coseno del ángulo i.p entre los vectores
del Problema 23. Luego muestre que para los valores calculados se cumple
= l.

Entonces n=G} v=G) y por tanto * Notemos que éste es el valor absoluto de det Ul V1).
(U2 V2
CAPÍTULO 3 • VECTORES EN fP5 2 y fP5 3
3.5 • Rectas y planos en el espacio 165
En los· Problemas del 25 al 30 encuentre el área del paralelogramo con los vérti- Esto muestra que al igual que el determinante de una matriz de 2 x 2 multiplica
ces adyacentes dados. el área, el determinante de una matriz de 3 x 3 multiplica el volumen.
25. (1, -2, 3); (2, O, 1); (O, 4, O) 26. (-2, 1, 1); 2, 3); (-1, -2, 4)
27. (-2, 1, O); (1, 4, 2); (-3, 1, 5) 28. (7, -2, -3); (-4, 1, 6); (5, ~2. 3)
29. (a, O, O); (O, b, O); (O, O, e) 30. (a, b, O); (a, O, b ); (O, a, b)
31. Muestre que 1u x v 12 = 1u1 2 Iv1 2 - (u · [Sugerencia: Desarrolle en términos
de sus componentes.] a. Calcule el volumen generado por u, v y w.
b. Calcule el volumen generado por Au, Av y Aw.
32. Use las Propiedades 1, 4, 2 y 3 (en ese orden) en la Sección 2.2 para comprobar c. Calcule el determinante de A.
las partes (i), (ii): (iii) y (iv) del Teorema 2. d. Muestre que [volumen en la parte ( b )] = (±det A) x [volumen en la parte (a)].
33. Pruebe el Teorema 2( v) escribiendo en forma completa los componentes de cada
43. El triple producto cruz (o vectorial) de tres vectores en IR 3 se define como u X
lado de la igualdad.
(v x w). Demuestre que
34. Demuestre el Teorema 2(vi). [Sugerencia: Utilice las partes (ii) y (v) y el hecho
u x (v x w) = (u· w)v - (u· v)w.
de que el producto escalar es conmutativo para mostrar que u · (u x v) = -u ·
(u x v).]
35. Demuestre el Teorema 2( vii). [Sugerencia: Use el Teorema 3.33 y la Propiedad 6.]
a1 b1 C11
U º (V X W) = a2 b2 C2
3.5 Rectas y planos en el espacio
b3 C3 1 a3
* 37. Sean u, v y w tres vectores que no están en el mismo plano. Tales vectores forman En el plano IR 2 podemos encontrar la ecuación de una recta dados dos puntos
los lados de un paralelepípedo en el espacio (Figura 3.32). Demuestre que el volu- de la recta o un punto y la pendiente de la recta. En lR 3 , nuestra intuición nos
men del paralelepípedo está dado por V = 1 (u x v) · w j. * [Sugerencia: El área dice que las ideas básicas son las mismas. Como dos puntos determinan una
de la base es 1 u x v j •] recta deberíamos ser capaces de calcular la ecuación de una recta en el espa-
cio si conocemos dos puntos en ella. De otra forma si conocemos un punto y la
dirección de la recta debemos también ser capaces de encontrar su ecuación.
Empezamos con dos puntos P= (x 1, y¡, z 1) y Q= (x2 , y 2 , z2 ) en una recta L.
figura 3.3!1 Un vector paralelo a L es un vector con representante PO. Por tanto,
(1)
u
es un vector paralelo a L. Ahora, sea R = (x, y, z) otro punto en la recta. En-
2i - j +
38. Calcule el volumen del paralelepípedo determinado por los vectores u
k, V = 3i + 2j - 2k y W = 3i + 2j.
=
tonces PR es paralelo a ro,
que a su vez es paralelo a V y así, por el Teorema
3.3.3
39. Calcule el volumen del paralelepípedo determinado por los vectores i - j, 3i + 2k,
-7j + 3k. PR=tv (2)
40. Calcule el volumen del paralelepípedo determinado por los vectores PQ, y para algún número real t. De la Figura 3.33 tenemos (en cada uno de los tres
donde P = (2, 1, -1), Q = (-3, 1, 4), R (-l, O, 2) y S (-3, -1, 5). casos posibles)
** 41. 3
El volumen generado por tres vectores u, v y w de IR se define como el volumen
(3)
del paralelepípedo cuyos lados son u, v y w (Figura 3. 32). Sea A una matriz de 3 x
3 y sean u 1 Au, v 1 = Av y w 1 = Aw. Muestre que:

R
Q Q
Volumen generado por u 1 , v 1 y w 1
(± det A )(volumen
p R

R p p
* Esto significa que el volumen del paralelogramo está dado por y y
Figura 3.33
o o o
V 1 (:~ ~~ ~~)I
det
a3 b3 C3
X X X
(a) (b) (e)
 3.5 • Rectas y planos en el espacio 161
166 CAPÍTULO 3 • VECTORES EN [Jl?,2 y [Ji?, 3

Finalmente, como a= 1, b = 2 y e= -8, encontramos las ecuacíones simétricas

Y, combinando (2) y (3) obtenemos
x-2 y+l z-6
PR= OR.-75P= tv --1- = -2- = -=s (7)
o bien
Para verificar esto veamos que (2, -1, 6) y (3, l, -2) están realmente en la
recta. Tenemos [después de sustituir estos puntos en (7)]
DR= 75P+tv (4)
2-2= -1+1=6-6=0
1 2 -8
3-2=1+1=-2-6=1
Ecuación vectorial La Ecuación (4) se denomina ecuación vectorial de la recta L. Si R está en L, 1 2 -8
de una recta entonces (4) es satisfecha para algún número real t. Inversamente, si (4) es sa-
tisfecha, entonces, regresando sobre nuestros pasos, vemos que PR es paralela Se pueden encontrar otros puntos de la recta. Si t = 3, por ejemplo, obtenemos
a v, lo que significa que R está en L. x-2 y+l z-6
Si desarrollamos en componentes la Ecuación (4) obtenemos 3 =-1-=-2-= -8

xi+ yj + zk = X1i + Yd + z 1 k + t(x 2 - x 1 )i + t(y 2 - y 1)j + t(z 2 - z 1 )k que nos da el punto (5, 5, -18).

Ejemplo ~ Encuentre las ecuaciones simétricas de la recta que pasa por el punto (1, -2, 4)
X = X1 + t(X2 - X1) y es paralela al vector v = i + j - k.
o bien Y = Y1 + t(Y2 -y1) (5) Solución Usamos la fórmula (6) con P = (x u y 1 , z 1 ) = (1, -2, 4) y v como antes, de
z=z 1 +t(z 2 -z 1 ) forma que a = l, b = 1 y c = - l. Esto da
x-1 y+2 z-4
--=--=--
1 1 -1
Ecuaciones Las Ecuaciones (5) se conocen como las ecuaciones paramétricas de una recta.
paramétricas de Finalmente, despejando ten (5) y definiendo x 2 - x 1 = a, y 2 - y 1 = by
una recta Z2 - Z1 = c, encontramos que ¿Qué sucede si es cero uno de los números directores a, b o c?

Ejemplo 3 Encuentre las ecuaciones simétricas de la recta que contiene a los puntos
P=(3,4, -l)yQ=(-2,4,6).

Solución Aquí v= -5i+7k y a= -5, b=O y c=7. Entonces una representación para-
Ecuaciones Las Ecuaciones (6) se conocen como las ecuaciones simétricas de la recta. Aquí métrica de la línea es x = 3 5t, y = 4 y z = -1 + 7t. Despejando t, encon-
simétricas de a, by c son los números directores del vector v. Desde luego, las Ecuaciones (6) tramos que
una recta son válidas sólo si a, b y c son distintas de cero. x-3 z+l
--=-- y y=4
-5 7
Ejemplo 1 Encuentre una ecuación vectorial, las ecuaciones paramétricas y las ecuaciones La ecuación y= 4 es la ecuación de un plano paralelo al plano xz y así hemos
simétricas de la recta L que pasa por los puntos P = (2, - l, 6) y Q = (3, 1, - 2). obtenido una ecuación de una recta en ese plano.

Solución Primero calculamos: v = (3-2)i + [1-(- l)]j + (-2-6)k = i + 2j-8k. Enton-

ces, de (4) si R = (x, y, z) está en la línea, obtenemos 75R = xi + yj + zk =
75P+ tv= 2i-j+ 6k + t(i+2j-8k) o Ejemplo 4 Encuentre las ecuaciones simétricas de la recta (en el plano xy) que pasa por los
puntos (x 1 , y¡, O) y (x 2 , y 2 , O), donde X1 -::/= X2·
X =2+t y=-1+2t z = 6-8t
 3.5 Rectas y planos en el espacio
CAPÍTULO 3 • VECTORES EN [ig 2 Y{Jg 3

Solución En este caso, v (x 2 - x 1 )i + (Y2 - Y1 )j y obtenemos n

x-
y z=O
X2 X1 Y2-Y1
Podemos escribir esto como
Y-y1 = (Y 2 -y 1 )cx - x1) Figura 3.34 ,,,_ ____ _...,_,.,.:...,,.,._ y
X2-X1
P(xo, Yo, zo)
X
Aquí - Y1 - x 1) = m, la pendiente de la recta. Cuando x = O, y =
Y1 - [(Y2 - Y1 ~ X1)]x 1
= b, la intersección de la recta con el eje y. Esto Plano. Sea P un punto en el espacio y sea n un vector dado distinto de cero.
es, y = mx + b, que es la forma simplificada de una recta en el plano xy. Así
Entonces el de todos los puntos Q para los cuales · n = O for-
vemos que las ecuaciones simétricas de una recta en el espacio realmente son 3
una generalización de la ecuación de una recta en el plano. man un plano en IR .

Notación Usualmente denotamos un plano por n.

Sea P = y , un punto fijo en un plano con vector normal n ~ +
¿Qué sucede si dos de los números directores son cero? 0
bj + ck. Si Q = (x, y, z) es cualquier otro punto en el plano ento~s PQ =
- + - + (z - Como P01- n, tenemos que PO · n =

tJe~mino 5 Encuentre las ecuaciones simétricas de la recta que pasa por los puntos P = O. Pero esto implica que
(2,3, -2)yQ = (2, -1, -2). + =O
Una forma más común de escribir la ecuación de un plano se deriva fácilmente
Solución Aquí v= -4j, de manera que a=O, b= -4 y c=O. Una representación para- de (8):
métrica de la recta es, por la Ecuación ( 5), x = 2, y= 3 - 4t, z = - 2. Sabemos
que x = 2 es la ecuación de un plano paralelo al plano yz mientras que z = - 2 es
la ecuación de un plano paralelo al plano xy. Su intersección es la línea x= 2
z = -2, que es paralela al eje y. De hecho, la ecuación y= 3 -4t dice, esencial~
mente, que y puede tomar cualquier valor (mientras x y z permanecen fijas).
en donde
d = ax 0 +by 0 +cz 0 = OP· n
Las ecuaciones paramétricas o simétricas de una recta no son úni-
Advertencia.
cas. Para ver esto basta empezar con otros dos puntos de la recta. Encuentre el plano n que pasa por el punto (2, 5, 1) y tiene por vector normal
al n = i - 2j + 3k.

tJe¡mD1fO 6 En el Ejemplo l la recta contenía al punto (5, 5, -18). Escojamos ahora Solución
De (8) obtenemos inmediatamente (x - 2)-2(y - 5) + 3(z -1) =O o bien
P = (5, 5, -18) y Q = (3, l, -2). Encontramos que v = -2i - 4j + 16k, así x-2y+3z==-5 (10)
que x = 5 - 2t, y 5 - 4t y z = -18 + 16t. (Notemos que si t ~. enton-
ces (x, y, z) (2, --1, 6).) Las ecuaciones simétricas ahora son Este plano está representado en la Figura 3.35.

x-5 -5 z+18
-2 -4 16

Fígura 3.35
La ecuación de una recta en el espacio se obtiene especificando un punto en
la recta y un vector paralelo a esta recta. Podemos deducir la ecuación de un
X
plano en el espacio especificando un punto en el plano y un vector ortogonal a
cada vector del plano. Este vector ortogonal se conoce como vector normal y
se denota por n (Figura 3.34).
170 CAPÍTULO 3 • VECTORES EN {P!, 2 y [ffe,3
3.5 • Rectas y planos en el espacio 171
Observación.El plano se dibuja fácilmente haciendo x = y = O en la Ecuación . Notemos que si escogemos otro punto, digamos Q, obtenemos la ecuación
(10) para obtener (O, O, -~); x = z = O para obtener (O,~, O); y = z = O para -(x + 2) + 9(y - 3) + 6(z + 1) = O, que se reduce a -x + 9y + 6z = 23.
obtener (-5, O, O). Estos tres puntos están en el plano.
El plano se dibuja en la Figura 3.37.

Los tres planos coordenados se representan como sigue:

i. El plano xy pasa por el origen (O, O, O) y cualquier vector en el eje z es

normal a él. De tales vectores el más simple es k. Así, de (8), obtenemos
O(x-O)+O(y-O)+l(z-0)=0, lo que nos lleva a Figura 3.31

z=O (11)
como la ecuación del plano xy. (Este resultado no debería ser muy
sorprendente.)
ii. El plano xz tiene la ecuación
Definición 2 Planos paralelos. Dos planos son paralelos* si sus vectores normales son para-
y=O (12) lelos; esto es, si el producto cruz de sus vectores normales es cero.
fü. El plano yz tiene la ecuación Dos planos paralelos se dibujan en la Figura 3.38.
x=O (13)
Tres puntos no colineales determinan un plano pues ellos determinan dos
vectores no paralelos que se intersecan en un punto (Figura 3.36).

Figura 3.38

R
Ejemplo 9 Los planos 7r 1 : 2x + 3y - z = 3 y 7r2 : -4x - 6y + 2z = 8 son paralelos pues
Figura 3.36 Q y n¡ = 2i + 3j - k, R2 = -4i - 6j + 2k = -2n¡ (y R¡ X n2 = O).

X Si dos planos no son paralelos entonces se intersecan en una línea recta.

p

flE~mA,IO 8 Encuentre la ecuación del plano que pasa por los puntos P = (1, 2, 1), Q = Ejemplo 10 Encuentre todos los puntos de intersección de los planos 2x - Y - z 3 y
(-2, 3, -1) y R = (1, O, 4). x+2y+3z=7.

Solución Los vectores -3i - 2k y 3i - 3j + 5k están en el plano y por tan- Solución Cuando los planos se intersecan tenemos x + 2y + 3z = 7 Y 2x - Y - z = 3 ·
to son ortogonales al vector normal, de donde Resolviendo este sistema de dos ecuaciones en tres incógnitas por reducción
por renglón obtenemos, sucesivamente,
j k
2 2
n= QR= -3 1 -2 = -i+ 9j + 6k
-1 -5
3 -3 5
y obtenemos
Av(-2) (1 0 k l lf)
o 1 ~ 1;-
1T: -(x--1)+9(y-2)+6(z-1)=0
o * Notemos que dos planos paralelos podrían ser coincidentes. Por ejemplo, los planos x + Y +
-x+9y+6z=23
z = 1 y 2x + 2y + 2z = 2 son coincidentes (el mismo).
 3.5 • Rectas y planos en el espacio 1
1 CAPÍTULO 3 • VECTORES EN [Jg 2 y [Jg 3

20. Sea L dada en su forma vectorial OR = OP + tv. Encuentre un número t tal que
Así Y = 1l- - (~ )z y x = lf - (~ )z. Finalmente, haciendo z t, obtenemos
la representación paramétrica de la recta de intersección: x = t,y = 1!-:-
OR sea perpendicular a v.
21. Utilice el resultado del Problema 20 para encontrar la distancia de la recta L (que
~t y z = t.
contiene a P y es paralela a v) al origen cuando:
a. P=(2, 1, -4); v=i+j+k
b. P=(l,2,-3); v=3i-j-k
c.P=(-1,4,2);v -i+j+2k
Problemas 3.5
En los Problemas del 22 al 25 encuentre una recta L ortogonal a las dos rectas
En los Problemas del l al 14 encuentre una ecuación vectorial, las ecuaciones dadas y que pase a través del punto dado.
paramétricas y las ecuaciones simétricas de la recta indicada. x+2 -1=~· x-3=y+2=z-8. (1 _ 3 2 )
22 ·
--3 4 -5' 7 -2 3 ' ' '
L Que contenga a los puntos (2, l, 3) y (1, 2, - 1)
2. Que contenga a los puntos (1, - 1, 1) y ( - 1, 1, - l) • X -2 =y+ 3=Z+1; X+ 2 =Y -5 = Z + 3; (- 4 , 7 , 3 )
23
3. Que contenga a los puntos (-4, 1, 3) y (-4, O, 1) -4 -7 3 3 -4 -2
4. Que contenga a los puntos (2, 3, -4) y (2, O, --4) 24. x=3-2t; y=4+3t; z=-7+5t; x=-2+4s, y=3-2s, z=3+s; (-2,3,4)
5. Que contenga a los puntos (1, 2, 3) y (3, 2, 1) 25. x=4+10t, y=-4-8t, z=3+7t; x=-2t, y=1+4t, z=-7-3t; (4,6,0)
6.
7.
Que contenga a los puntos (7, 1, 3) y ( - l, -2, 3)
Que contenga al punto (2, 2, 1) y paralela a 2i- j - k
* 26. Calcule la distancia entre las rectas

8. Que contenga al punto ( - 1, - 6, 2) y paralela a 4i + j - 3k x-2 y-5 z-1 x-4 -5 z+2

9. Que contenga al punto ( - 1, - 2, 5) y paralela a 3j + 7k L l·. --=--=-- y
3 2 -1 -4 4 1
10. Que contenga al punto (-2, 3, -2) y paralela a 4k
11. Que contenga al punto (a, b, e) y paralela a di + ej [Sugerencia: La distancia se mide a lo largo de un vector v que es perpendicular
12. Que contenga al punto (a, b, e) y paralela a d k tanto a L 1 como a L 2 • Sean P un punto en L 1 y Q un punto en L 2 • Entonces la
13. Que contenga al punto (4, 1, -6) y paralela (x 2)/3=(y+1)/6 = (z -5)/2 magnitud de la proyección de PQ en V es Ja distancia entre las rectas medida a lo
Que contenga al punto (3, 1, -2) y paralela a(x+l)/3=(y+3)/2=(z-2)/(-4) largo de un vector perpendicular a ambas.]
15. Sea L 1 dada por * 27. Encuentre la distancia entre las rectas
x-x 1 z-z 1 -7 z-2 x-l=y+2=z+l
y
a1 bl C1 -4 4 -3 4
y L2 dada por
x-x 1 En los Problemas del 28 al 41 encuentre las ecuaciones del plano.
a2 b2 C2
28. P=(0,0,0); n=i 29. P=(0,0,0); n=j
Muestre que L 1 es ortogonal a Lz si y sólo si a a1
1
30. P = (O, O, O); n = k 31. P = (1, 2, 3); n =
16. Demuestre que las rectas 32. P=(l,2,3); n=i+k 33. P=(l,2,3); n=j
34. P=(2,-1,6); n=3i-j+2k 35. P=(-4,-7,5); n=-3i-4j+k
X 3 y+ z-2 z-3 36. P=(--3, 11,2); n=4i+j-7k 37. P=(3,-2,5); n=2i-7j-8k
L1: --=--=-- y
2 4 -1 -2 2 38. Que contenga a los puntos (1, 2, -4), (2, 3, 7) y (4, -1, 3)
son ortogonales. 39. Que contenga a los puntos ( - 7, 1, O), (2, -1, 3) y (4, 1, 6)
17. Demuestre que las rectas 40. Que contenga a los puntos (1, O, O), (O, 1, O) y (O, O, 1)
41. Que contenga a los puntos (2, 3, -2), (4, -1, -1) y (3, 1, 2)
y
Dos planos son ortogonales si sus vectores normales lo son también. En los
son paralelas.
Problemas del 42 al 46 diga si los planos dados son paralelos, ortogonales, coin-
Las rectas en IR 3 que no tienen la misma dirección no necesariamente tienen cidentes (esto es, el mismo) o si no se cumple ninguno de estos casos.
un punto en común. 42. ?T 1 : x+y+z=2; 1T 2 : 2x+2y+2z=4
43. 1T ¡: X - y + Z = 3; '1T 2: - 3 X + 3 y - 3 Z = -9
18. MuestrequelasrectasL 1:x 1 + t,y = -3 + 2t,z = -2-tyl 2 :x = 17 +
44. '7T 1 : 2x y+z=3; 1T 2 : x+y-z=7
3s, Y 4 + s, z -8 - s tienen en común al punto (2, -1, -3).
45. 1T 1 : 2x-y+z=3; '7T 2 : x+y+z=3
19. Pruebe que las rectas L 1: x 2 - t, y = 1 + t, z = -2t y L 2 : x = 1 + s, y = 46. 'IT 1 : 3x-2y+7z=4;'1T2 : -2x+4y+2z=16
-2s, z 3 + 2s no tienen ningún punto en común.
 ------ --------
114 CAPÍTULO 3 • VECTORES EN [R!, 2 y fR!,3 Ejercicios de Repaso • Capítulo 3 115
En los Problemas del 47 al 49 encuentre la ecuación del conjunto de todos los En los Problemas del 60 al 64 diga si los tres vectores de posición dados (esto
puntos de intersección de los dos planos. · · es, con uno de sus puntos finales en el origen) son coplanares. Si son coplana-
47. 77'1: x-y+z=2; 77' 2 : 2x-3y+4z=:7 res encuentre la ecuación del plano que los contiene.
48. 77'1: 3x-y+4z=3; 77' 2 : -4x-2y+7z=8
* 49. 77'1: -2x -y+ 17 z = 4; 77' 2 : 2x -y - z = -7
60. u= 2i-3j+4k; v= 7i-2j+3k; w= 9i-5j+7k
61. u=-3i+j+8k; v=-2i-3j+5k; w=2i+14j-4k
50. Sea 7r un plano, P un pu?to del mismo, n un vector normal al plano y Q un punto 62. u=2i+j-2k; v=2i-j-2k; w=2i-j+2k
fuera del plano (ver la Figura 3.39). Demuestre que la distancia (perpendicular) D 63. u=3i-2j+k; v=i+j-5k; w=-i+5j-16k
de Q al plano está dada por la fórmula 64. u=2i-j-k; v=4i+3j+2k; w=6i+7j+5k

D = proyn PQI = IP~; ni

1

Ejercicios de repaso • Capítulo 3

Q
En los Ejercicios del 1 al 6 encuentre la magnitud y la dirección del vector dado.
1. V= (3, 3) 2. V= -3i+ 3j 3. V= (2, -2J3)
Figura 3.39 4. v=(J3, 1) 5. v=-12i-12j 6. v=i+4j

En los Ejercicios del 7 al 1O escriba el vector representado por PQ en la forma

ai + bj. Dibuje PQ y v.
7. P=(2,3); 0=(4,5) 8. P=(l,-2); 0=(7, 12)
En los Problemas del 51 al 53 encontrar la distancia del punto dado del plano 9. P=(-1,-6); 0=(3,-4) 10. P=(-1,3); 0=(3,-1)
dado. 11. Sean u = (2, 1) y v = (-3, 4). Determine: (a) 5u; (b) u - v; (e) -8u + 5v.

51. (4, O, 1); 2x -y+ 8z = 3 52. (-7, -2, -1); -2x + 8z = -5 12. Sean u = -4i + j y v = -3i - 4j. Determine: (a) -3v; (b) u + v; (e) 3u - 6v.
53. ( - 3, O, 2); - 3x + y + 5z = O
En los Ejercicios del 13 al 19 encuentre un vector unitario que tenga la misma
54. De~uestre que la distancia entre el plano ax + by + cz = d y el punto (x , y , Zo)
esta dada por 0 0 dirección que el vector dado.
13. v=i+j 14. v=-i+j 15. v=2i+5j
D = laxo+by 9 +cz 0 -dl
16. V= -7i+ 3j 17. v= 3i+4j 18. v=-2i-2j
.Ja2+b2+c2 19. v=ai-aj
e
20. Si V=4i-7j, encuentre sen y cose, donde e es la dirección de V.
El ángulo entre dos planos se define como el ángulo agudo* entre sus vectores 21. Encuentre un vector unitario con dirección opuesta a la de v = Si+ 2j.
normales. En los Problemas del 55 al 57 halle el valor del ángulo entre los dos 22. Encuentre dos vectores unitarios ortogonales a v = i-j.
planos. 23. Encuentre un vector unitario con dirección opuesta a la de v = lüi- 7j,

55. Los planos del Problema 47. En los Ejercicios del 24 al 27 encuentre un vector v con la dirección y magnitud
56. Los planos del Problema 48. dadas.
57. Los planos del Problema 49.
* 58. ~ean u Y v dos vectores distintos de cero, no paralelos, en un plano 7r. Muestre que
24. lvl = 2; 8 = 7T/3
26. lvl=4; 8=7T
25. lvl = 1; 8 = 7T/2
27. lvl = 7; 8 = 57T/6
SI w es otro, vector cualquiera en 7r entonces existen escalares a y (3 tales que w
au :- f3v: E~ta se conoce como la representación paramétrica del plano 7r. [Suge- En los Ejercicios del 28 al 31 calcule el producto escalar de los dos vectores
rencia: Dibuje un paralelogramo en el cual au y (3v formen los lados adyacentes y el coseno del ángulo entre ellos.
y el vector diagonal sea w.]
* 59. Se dice que tres v~ctores u, v y w son coplanares si los tres están en el mismo plano 28. u=i-j; v=i+2j
30. u= 4i-7j; v= 5i +6j
29. u= -4i; v= llj
31. u=-i-2j; v=4i+5j
7r. Muestre que SI u, v y w pasan por el origen entonces son coplanares si y sólo
si el triple producto escalar u · (v x w) es cero.
En los Ejercicios del 32 al 37 diga si los vectores dados son ortogonales, parale-
los o ninguna de las dos cosas. Luego dibuje cada par.
32. u= 2i-6j; v= -i+3j 33. u= 4i-5j; v= 5i-4j
* Recuerde que un ángulo agudo a es un ángulo entre Oº y 90º, esto es, a E [O, 7rl2). 34. u= 4i-5j; v=-5i+4j 35. u=-7i-7j; v= i+ j
176 CAPÍTULO 3 • VECTORES EN {H? 2 y [Jg 3
Ejercicios de Repaso • Capítulo 3 1
36 .. u= -7i-7j; v= -i+ j 37. u= -7i-7j; v= -i-
38. Sean u=2i+3j y v=4i+aj. Encuentre a tal que 70. Que contenga al punto (3, 1, 2) y sea paralela a 3i - j k.
a. u y v sean ortogonales. 71. Que contenga al punto (1, -2, -3) y sea paralela a (x + 1)/5 = (y - 2)/(-3) =
b. u y v sean paralelos. (z - 4)/2.
c. El ángulo entre u y v sea 7r/4. 72. Muestre que las rectas L 1: x = 3 - 2t, y= 4 + t, z = -2 + 7t y L 2 : x = -3 +
d. El ángulo entre u y v sea 7r/6. s, y = 2 - 4s, z = 1 + 6s no tienen puntos de intersección.
73. Encuentre la distancia del origen a la recta que pasa por el punto (3, 1, 5) y tiene
En los Ejercicios del 39 al 44 calcule proyvu. la dirección del vector v = 2i - j + k.
39. u= 14i; v=i+j 40 .. u= 14i, v=i-j 74. Encuentre la ecuación de la recta que pasa por (-1, 2, 4) y es ortogonal a L 1 :
41. u=3i-2j; v=3i+2j 42 .. u=3i+2j; v=i-3j (x - 1)/4 = (y + 6)/3 = z/(-2) y L 2 : (x + 3)/5 (y - 1)/1 = (z + 3)/4.
43 .. u=2i-5j; v=-3i-7j 44. u=4i-5j; v=-3i-j
45. Se~ = (3, -2), Q = (4, 7), R = (-1, 3) y S = (2, -1). Calcule proyro RS y proy En los Ejercicios del 7 5 al 77 encuentre la ecuación del plano que contenga al
R5PO. punto dado y sea ortogonal al vector normal dado.
75. P=(l,3,-2);n=i+k
En los Ejercicios del 46 al 48 encuentre la distancia entre los dos puntos dados. 76. P=(l, -4, 6); n=2j-3k
46. (4, -1, 7); (-5, 1, 3) 77. P = (-4, 1, 6); n = 2i-3j +Sk
47. (-2, 4, -8); (O, O, 6)
48. (2, -7, O); (O, 5, -8) 78. Encuentre la ecuación del plano que contiene a los puntos (-2, 4, 1), (3, -7, 5) y
(-1, -2, -1).

En los Ejercicios del 49 al 51 encuentre la magnitud y los cosenos directores 79. Encuentre todos los puntos de intersección de los planos 11"¡: -x + y + z = 3y
del vector dado. K 2 : -4x + 2y - 7z = 5.

49. v= 3j+ llk 80. Obtenga todos los puntos de intersección de los planos 7r 1 : -4x + 6y + 8z 12
SO. v=i-2j-3k y K 2 : 2x - 3y 4z = 5.
51. v= -4i+j+6k
52. Encuentre un vector unitario en la dirección de fiQ donde p = (3 -1 2) y Q =
81. Obtenga todos los puntos de intersección de los planos 7r¡: 3x - y + 4z = 8 y 7r 2 :

(- 4, 1, 7). , , ' -3x - y - l lz O.

53. Encuentre un vector unitario cuya dirección sea la opuesta a la de f5Q, donde p = 82. Encuentre la distancia del punto (1, -2, 3) al plano 2x - y - z = 6.
(1, -3, O) y Q = (-7, 1, -4).
83. Encuentre el ángulo entre los planos del Ejercicio 79.
84. Muestre que los vectores de posición u i 2j + k, v = 3i + 2j - 3k y w =
En los Ejercicios del 54 al 61 sean u i - 2j + 3k, V -3i + 2j + 5k y 9i - 2j - 3k son coplanares y encuentre la ecuación del plano que los contiene.
w = 2i - 4j + k. Catcute:

54. u-v 55. 3v+5w 56. proyvw

57. projw U 58. 2u-4v+7w 59. u ·w-w · v
60. El ángulo entre u y v
61. El ángulo entre v y w

En los Ejercicios del 62 al 65 encuentre el producto cruz u x v.

62. U= V= 2i+ 4k 63. u= 7j; v= i-k
64. u=4i-j+7k; v=-7i+j-2k 65. U=-2i+3j-<-k; V=-3i+j-1Qk
66. Encuentre dos vectores unitarios ortogonales tanto a u + 3k como a
V= -2i-3j+4k.

67 · Calcule el área del paralelogramo con vértices ad yacentes ( 1 4 - 2) ( - 3 l 6)

(1, - 2, 3). , ' , ' , y

En los lfj~rcicios del 68 al 71 encuentre una ecuación vectorial, las ecuaciones

parametncas y las ecuaciones simétricas de la recta dada.
68. Que contenga a los puntos (3, -1, 4) y ( -1, 6, 2)
69. Que contenga a los puntos ( -4, 1, O) y (3, O, 7)
CAPÍTULO

•
Ep I
V et ria les

4. 1 Introducción
Según se vio en el capítulo anterior, los conjuntos lR 2 (vectores en el plano) y
lR 3 (vectores en el espacio) tienen propiedades interesantes. Así, si sumamos
dos vectores en lR 2 obtenemos otro vector en lR 2 • Sometidos a la suma, los vec-
tores en lR 2 son conmutativos y satisfacen la ley asociativa. Si x E IR 2 , enton-
ces x +O = x y x + ( - x) =O. Además, podemos multiplicar los vectores en IR 2
por escalares y establecer varias leyes distributivas. Las mismas propiedades
también valen en lR 3 .
A los conjuntos como lR 2 y lR 3 se los llama espacios vectoriales. Intuitiva-
mente, podemos decir que un espacio vectorial es un conjunto de objetos que
cumplen con las reglas descritas en el párrafo anterior.
En este capítulo pasaremos de un mundo concreto, en donde resolvíamos
ecuaciones y tratábamos con vectores fácilmente visualizables, a un mundo
abstracto de espacios vectoriales arbitrarios. Esto es muy ventajoso, ya que, si
establecemos una cierta propiedad sobre espacios vectoriales en general,
mos aplicar dicha propiedad a todc espacio vectorial. De otra forma, tendría-
mos que demostrar dicha propiedad una y otra vez para cada nuevo espacio
vectorial que estuviéramos tratando (y de hecho, hay una cantidad innumera-
ble de ellos). Además, como se verá más adelante, los teoremas abstractos que
demostraremos no son más difíciles que los que ya hemos visto en este libro.

4.2 Definición y propiedades básicas

Un espacio vectorial real Ves un conjunto de objetos lla-
Espacio vectorial real.
mados vectores, junto con dos operaciones, llamadas suma y multiplicación
por un escalar que satisfacen los diez axiomas que se enumeran a continuación.
119
180 CAPÍTULO 4 • ESPACIOS VECTORIALES
4.2 • Definición y propiedades básicas 181
Notación Si x y y están en Vy si a es un número real, entonces escribiremos x +y para la
suma de x y y y a x para el producto escalar de y x.
Ejemplo 3 Sea V= 11. decir, V contiene solamente el número 1. En este caso, no
un espacio vectorial, puesto que no cumple con el axioma (i). Para ver esto,
Antes de enumerar las propiedades de los vectores en un espacio vectorial, simplemente notemos que 1 + 1 2 e v.
hagamos un par de aclaraciones. Primero, si bien es cierto que es muy útil pen-
sar en IR 2 o en IR 3 cuando tratamos con algún espacio vectorial, es frecuente Ejemplo 4 Sea V = {(x, y): y mx, donde m es un número real fijo y x es un número
encontrarse con espacios vectoriales cuya forma es muy diferente de la de estos real arbitrario}. Esto es, V consiste en todos los puntos que están sobre la recta
espacios tan familiares: (Esto lo veremos muy pronto.) Segundo, la Definición y = mx que pasa por el origen y que tiene pendiente m. Supóngase que
1 se refiere a un espacio vectorial real. La palabra "real" significa que los esca- (x 1 , y 1 ) y y 2 ) están en V. Entonces y 1 mX¡, Y2 = mxz, Y
lares que usamos son reales. Es muy fácil definir un espacio vectorial complejo
usando números complejos en lugar de números reales. En este libro se trata 'Yz) =
básicamente con espacios vectoriales reales, pero no es muy difícil hacer gene-
ralizaciones a otros conjuntos de escalares.
+ x 2 , m(x 1 + V.

El axioma (i) se satisface. Los axiomas (ii), (iii) y ( v) son obvios. Más aún,

Axiomas de un i. Si x E Vy y E V, entonces x + y E V (es decir, V es cerrado para la suma). -(x, mx) = ( -x, -mx) = m(-x)) E V
espacio vectorial ii. Para todos x, y, z en V, (x + y) + z = x + (y + z) (ley asociativa de y
la suma).
m. Existe un vector O E V tal que para todo x E V, x + O = O + x = x (O se (x, mx) + ( -x, m( -x)) =(O, O) O
conoce como neutro aditivo). de modo que el axioma (iv) también es satisfecho. Los demás axiomas se veri-
iv. Si x E V, existe un vector -x en V tal que x + (-x) = O (-x se conoce fican con facilidad y se ve que el conjunto de puntos en el plano que quedan
como el inverso aditivo de x). sobre la recta que pasa por el origen constituye un espacio vectorial.
v. Si x y y están en V, entonces x + y = y + x (ley conmutativa de la suma
de vectores).
vi. Si x E V, y a es un escalar, entonces ax E V (se dice que V es cerrado = 2x + l, x E IR}. Esto es, Ves el conjunto de puntos
Ejemplo 5 Sea V= {(x, y): y
para la multiplicación escalar). sobre la recta y = 2x + 1. V no es un espacio vectorial porque la cerradura
vii. Si x y y están en V y si a es un escalar, entonces a (x + y) = ax + ay
no se cumple, como en el Ejemplo 3. Para ver esto, supongamos que Y1)
(primera ley distributiva).
y (x2 , yJ están en V. Entonces,
vfü. Si x E Vy si a y (3 son escalares, entonces (a + (3)x = ax + (3x (segunda
ley distributiva). (xi,yi) + (x2,Y2) = (x1 + X2,Y1 + Y2).
ix. Si x E V y si a y (3 son escalares, entonces a((3x) = a(3x (ley asociativa Si este último vector estuviese en V, tendríamos que
de la multiplicación por escalar).
x. Para todo vector x E V, lx = x (al escalar 1 se le conoce como neutro y1 + Y2 = 2(x 1 + x 2) + 1 = 2x 1 + 2x2 + l.
multiplicativo). Pero Y 1 2x 1 + l y y2 = 2x2 + 1, así que
y1 + Y2 = (2x 1 + 1) + (2x 2 + 1) = 2x 1 + 2x 2 + 2.
De aquí se concluye que
Ejemplo f El espacio \Rn. Sea V= \Rn = {(x1, x 2 , ••• , Xn): X¡ E IR para i l, 2, ... , n }. (x2, Y2) E V.

De la Sección 1.3 (véase Teorema 1.3) podemos ver que V satisface todos los
axiomas de un espacio vectorial si tomamos a IR como el conjunto de escalares.
Ejemplo 6
Ejemplo i Sea V={O}. Esto es, V contiene solamente el número O. Ya que 0+0=1·0=
O+ (0 0) (0 + 0) +O O, vemos que V es un espacio vectorial, llamado fre-
cuentemente espacio vectorial trivial.
Sea V= [(x,y,z): ax+ by+ cz O}. Esto es, V es el conjunto de puntos de
que están sobre el plano que pasa por el origen con vector normal (a,b,c). Su-
pongamos que (x 1 , y 1 , z 1 ) y (x 2 , y 2 , z 2 ) están en J Entonces (xi. Yi. Z1)+
(x 2 , y 2 , z 2 )=(x 1 + x 2,y 1 + Ji,z 1 + z 2 )E V porque a(x 1 + X2) + b(Y1 + Y2) +
c(z 1 + z 2 ) (ax 1 +by 1 +cz 1 )+(ax 2 +by 2 +cz 2 )= O+ O= O; por lo tanto, se
satisface el axioma (i). Puede verificarse fácilmente la validez de los otros axio-
 4.2 • Definición y propiedades básicas 183
18i CAPÍTULO 4 • ESPACIOS VECTO.RIALES

y1 + y 2 ;:::: O; por lo tanto, si (x 1, y 1 ) E V y (x2 , y 2 ) .E V, ent.onces se tiene

mas. De esta manera concluimos que el conjunto de puntos que .están sobre
un plano en lR 3 que pasa por el origen es un espacio vectorial.
Ejemplo 1 Sea V= Pn, el conjunto de polinomios con coeficientes reales de grado menor o
igual que n. Si p E Pn, entonces
p(x) = anxn + an-1Xn-l + · · ' + a1X + ao
donde cada a¡ es real. La "sumap(x) + q(x) se define de la manera obvia: Si
q(x) = bn xn + b 11 _ 1xn-I + · · · + b¡X + bo, entonces
(x 1 + x 2 , y 1 + y 2) E V. Sin embargo, V no es un espacio vectonal, puesto que
el vector (1, 1), por ejemplo, no tiene un inverso en V ya que (-1, -1) E V.
Más aún, el axioma (vi) no se cumple dado que si (x, y) E V, entonces a(x, Y)~
V si a < O.
Ejemplo 13 El espacio en.
Sea V= e = {(C¡, Cz, ... 'en): C¡ es u~ número ~omplejo pa-
ra¡ = 1, 2, ... , n} y el conjunto de escalares es el conJunto de numeros com-
plejos. Es muy fácil verificar que e es un espacio vectorial.

p(x) + q(x) = (Ün + bn)xn + (an-l + bn-1)Xn-l + · · · + (a1 + b1)X + (ao + bo)
Según lo sugieren estos ejemplos, existe una gran variedad de .espacios ve~to­
Claramente la suma de dos polinomios de grado menor o igual que n es otro riales y muchas clases de conjuntos que no son espacios vectonales. Term1~a­
polinomio de grado menor o igual que n, por lo que se satisface el axioma ( i). remos esta sección demostrando algunos resultados elementales sobre espacios
Las propiedades ( ii) y de la (v) a la (x) son obvias. Si definimos el polinomio ce- vectoriales.
ro por O= Oxn+ Oxn-1 + · · · + Ox +O, entonces claramente O E Pn y se satisface el
axioma (iii). Finalmente, haciendo -p(x) = -anxn - a 11 _ 1xn-i - · · · - a¡X -
a 0 , vemos que vale el axioma (iv), de tal manera que Pn es un espacio vecto- Teorema 1 Sea V un espacio vectorial. Entonces:
rial real.
i. aO = O para todo número real a.
ii. O · x = O para todo x E V.
Ejemplo B Sea V= C[O, 1] = el conjunto de funciones reales continuas de~inidas sobre el
m. Si ax = O, entonces a = o o bien X O (o ambos).
intervalo [O, 1]. Definimos (f + g)x = f (x) + g(x) y ( af)(x) = a [f (x)].
iv. (-l)x = -x para todo x E V.
Como la suma de dos funciones continuas es continua, se satisface el axioma
(i) y los otros axiomas se verifican fácilmente con O la función cero y Demostración i. Por el axioma (iii), O + O = O; y del axioma ( vii),
(-f)(x) = -f (x).
a(O+O)=aO+aO=aO (1)
Sumando -aO a ambos lados de la última ecuación en (1) y usando la ley aso-
Ejemplo 9 Denotemos con V= 1\r134 al conjunto de matrices con componentes reales de ta- ciativa (axioma ii), obtenemos
maño 3 x 4. Es muy fácil verificar que con la suma usual y multiplicación esca-
lar de matrices, M 34 es un espacio vectorial con el O definido con la matriz de [aO+aO]+ (-·aO) = aO+ (-·aO)
tamaño 3 x 4 cuyas componentes son todas cero. Si A (a¡¡) está en Mv0 enton- a O+ [a O+ (-aO)] =O
ces -A = (-au) también lo está. aO+O=O
aO=O
Ejemplo 10 De idéntica manera podemos ver que M 1' el conjunto de matrices reales de ta-
1111
ii. Esencialmente tenemos el mismo argumento que el usado en la parte (i).
maño m x n, es un espacio vectorial para cualesquiera dos enteros m y n.
Dado que O + O = O, usando el axioma ( viii) obtenemos. que Ox. =
(O + O)x = Ox + Ox, o bien Ox + (-Ox) = Ox + [Ox + (-Ox)], o bien
Ejemplo 11 Denotemos con S3 al conjunto de matrices invertibles de tamaño 3 x 3. Defina- O = Ox + O = Ox.
mos la ''suma'' A + B como A + B = AB. Si A y B son invertibles, entonces AB
m. Hagamos ax = O. Si a -=fa O, multiplicando ambos lados de la ecuación
por l/a, obtenemos (l/a)(ax) = (1/a)O = O (por la parte Pero
es invertible (Teorema 1.8.3) de tal forma que se satisface el axioma (i). El
(1/a)(ax) = lx = x (por el axioma ix), por lo tanto x = O.
axioma (ii) es simplemente la ley asociativa para la multíplicación matricial
(Teorema 1.5.2); los axiomas (iii) y (iv) se satisfacen con O = 13 y -A = A- 1• iv. Dado que 1 + (-1) = O, usando la parte (ii), obtenemos
Sin embargo, el axioma ( v) no se cumple, puesto que normalmente AB if:. BA, O = Ox = [ 1 + ( - 1)] x = 1x + (-1) x = x + ( -1 )x
por lo que S 3 no es un espacio vectorial.
Sumando -x en ambos lados de (2), llegamos a que
O+ (-x) = x+ (-l)x+ (-x) = x+ (-x)+ (-l)x
Ejemplo 12 Sea V= ¡(x,y): y;:::Oj. V consiste en los puntos de IR 2 que están en la parte supe-
= O+ (-1 )x = (-1 )x
rior del plano (los primeros dos cuadrantes). Si y O y y 2 ;::: O, entonces
1
;:::
184 CAPÍTULO 4 • ESPACIOS VECTQRIALES
4.3 • Subespacios 185

Por lo tanto, -x Notemos que en la ecuación anterior pudimos *O 19. El conjunto de funciones diferenciables definidas sobre [O, 1] con las operaciones
del Ejemplo 8.
cambiar el orden de la suma usando la conmutativa (axioma •
* 20. El conjunto de números reales de la forma a + bJ2, donde a y b son números ra-
cionales, con la suma usual de números reales y con la multiplicación escalar defi-
Observación. La parte (iii) del Teorema 1 no es tan obvia como parece. Existen
nida solamente para escalares racionales.
ciertos objetos que satisfacen que xy O y sin embargo, ni x ni Y son cero.
21. Demuestre que en un espacio vectorial el neutro aditivo es único.
Como un ejemplo, tomemos la multiplicación de las matrices 2 x 2. Si A
22. Demuestre que en un espacio vectorial cada vector tiene un inverso aditivo único.
(O o -2)
o 1)
o yB (o o ' ·entonces ni A ni B son cero y como puede ven·f·icarse 23. Si x y y son vectores en un espacio vectorial V, demuestre que existe un único vector
z E V, tal que x + z = y.
fácilmente AB = O, la matriz cero.
24. Demuestre que el conjunto de números reales positivos forma un espacio vectorial
con las operaciones x + y = xy y ax = xª.
*O 25. Considere la ecuación diferencial lineal y homogénea de segundo grado

Problemas 4.2 y"(x) + a(x)y'(x) + b(x)y(x) = O

donde a(x) y b(x) son funciones continuas. Demuestre que el conjunto de solucio-
En los Problemas del 1 al 20 determine si el subconjunto dado H del espacio nes de la ecuación es un espacio vectorial bajo las reglas usuales de adición de fun-
vectorial V un subespacio de V. ciones, así como de su multiplicación por números reales.
l. El conjunto de matrices diagonales de tamaño n x n con la suma común de matri-
Y la multiplicación escalar común.
2. El conjunto de matrices diagonales de tamaño n n con la multiplicación (esto
A + B AB). 4.3 Subespacios
con la suma común y la multiplicación escalar de vectores.
3. y):y O;x,y En el Ejemplo 4.2.1, vimos que !R 2 = {(x, y): x E !R y y E !R} es un espacio
4. Los vectores que caen i.:n el primer cuadrante del plano cartesiano. vectorial. En el Ejemplo 4.2.4 vimos que V = {(x, y): y = mx} es también
3
5. El conjunto de vectores en IR de la forma (x, x, x). un espacio vectoriat. Además, es claro que V e IR 2 • Esto es, IR 2 tiene un sub-
6. El conjunto de polinomios de grado 4, con las operaciones del Ejemplo 7. conjunto que es también un espacio vectorial. De hecho, todos los espacios vec-
7. El conjunto de matrices simétricas de n x n (Sección 1.9) con la suma común Y toriales tienen subconjuntos que son a su vez espacios vectoriales. En esta sección
estudiaremos estos conjuntos tan importantes.
8. ~l :0~;:~::a::ó:;:::~:r~e 2x2de la forma (~ ~)con la suma común Yla mul-
tiplicación escalar. (1
9. El conjunto de matrices de la forma f3
ª) . ..
con las operaciones matnc1ales de su-
Definición 1 Subespacio. Sea H un subconjunto de un espacio vectorial V y supongamos
que Hes en sí un espacio vectorial con las operaciones de suma y multiplica-
1 ción escalar definidas sobre V. Se dice entonces que Hes un subespacio de V.
ma y multiplicación escalar. En este capítulo veremos muchos ejemplos de subespacios. Antes de ello ve--
10. El conjunto formado solamente por el vector (O, O), con las operaciones comunes remos un resultado mediante el cual resulta relativamente sencillo determinar
2
de !R • si un subconjunto de V es de hecho un subespacio de V.
U. El conjunto de polinomios de grado ~ n con término constante igual a cero.
12. El conjunto de polinomios de grado ~ n con término constante positivo ªo· Teorema 1 Un subconjunto no vacío H de un espacio vectorial V es un subespacio de V si
13. El conjunto de funciones continuas en [O, 1] conf(O) = O Yf(l) = O, con las ope- las dos reglas de cerradura valen:
raciones del Ejemplo 8.
14. El conjunto de puntos en IR 3 que están sobre una recta que pasa por el origen.
Reglas para verificar si un subconjunto es un subespacio.
15. El conjunto de puntos en IR 3 que están sobre la recta x= t + 1, Y = 2t, z= t - l.
i. Si xE H y y EH, entonces x+yE H.
16. IR 2 con la suma definida por (x 1, y 1 ) + (x2 , Yz) = (X¡, + 1, Y1 + Yz + 1) Y
ii. Si x EH, entonces ax EH para todo escalar a.
la multiplicación escalar usual.
17. El conjunto del Problema 16 con la multiplicación escalar definida por a(x, y) =
(a + ax 1, a + a y 1 ).
18. El conjunto que consiste en un solo objeto, con la suma definida como objeto + * Este símbolo cuadrado se usará en este libro para indicar que el problema requiere métodos de
objeto = objeto y multiplicación escalar definida por a (objeto) = objeto. Cálculo.
 4.3 • Subespacios
186 CAPÍTULO 4 • ESPACIOS VECTORIALES

Demostración Para demostrar que H vectorial, debemos verificar que los

Ejemplo 3 Sea H = {(x, y): y = mx} (Ejemplo 4.2.4). Como ya hemos mencionado, H
axiomas (i) a (x) de la 180 cumplen con las de la suma
es un subespacio de IR 2 • Veremos además en la Sección 4.6 {Problema 4.6.15),
vectorial multiplicación escalar definidas en V. Las dos operaciones de cerra-
que los conjuntos de vectores que caen sobre líneas rectas que pasan por el ori-
dura (axiomas i y vi) se cumplen por hipótesis. Puesto que los vectores en H
gen son los únicos subespacios propios de IR 2 •
también están en V, las asociativa, conmutativa, distributiva la del
neutro multiplicativo (axiomas ii, v, vii, viii, ix y x) se satisfacen. Ahora,
x EH entonces Ox E H, debido a la hipótesis (ii). Pero por el Teorema 4.2. l Ejemplo 4 Sea H = {(x, y, z): x = at, y = bt y z = et, con a, b, e, t reales}. Esto es,
(parte ii), Ox O. Consecuentemente O E H el axioma (iii) se Final- H consiste en los vectores en IR 3 que están sobre una recta que pasa por el ori-
mente, de la parte tenemos que E H para todo x H. Por el Teore- gen. Veamos que Hes un subespacio de IR 3 • Si x = (at 1 , bt 1 , et 1) EH y y =
ma 4.2.1 (parte iv), -x (-l)x E de tal forma que el axioma también (at 2 , bt2 , ct2 ) E H, entonces x + y = (a(t 1 + t2 ), b(t 1 + t2 ), c(t 1 + t 2 )) E
con ello concluimos la demostración. 11 Hy se tiene también que cxx = (a(cxt 1 ), b(cxt2 ), c(at3 )) E H. Luego, Hes un
subespacio de IR 3 •

teorema nos dice que para probar que H un su1Jesoac10 de V, nos

basta con verificar que: Ejemplo 5 Sea rr = {(x, y, z): ax + by + cz = O; a, b, e reales}. Entonces, como vimos
en el Ejemplo 4.2.6, rr es un espacio vectorial; por lo tanto rr es un subespacio
de IR 3 •

En la Sección 4.6 demostraremos que los conjuntos de vectores que están

sobre líneas y planos que pasan por el origen son los únicos subespacios pro-
La demostración anterior contiene un resultado que debe men- pios de IR 3 .
cionarse '-'1'11-'"'~ª'"'""''" Antes de estudiar más ejemplos, notemos que no todo espacio vectorial tiene
subespacios propios.

Ejemplo 6 Sea H un subespacio de IR.* Si H-:t:: {O}, entonces H contiene un número real ex
distinto de cero. Entonces, por el axioma (vi), 1 = (1/ a)a EH y ¡31 = f3 EH pa-
Este resultado nos ver fácilmente si un subes "=:tcio particular V no ra todo número real {3. Así, si H no es el subespacio trivial, entonces H = IR.
es un vectorial. Esto si un subconjunto no ntiene al O, entonces Esto es, IR no tiene subespacios propios.
no es un subespacio.
Ejemplo 1 Si Pn denota el espacio vectorial de polinomios de grado ::; n, (Ejemplo
Ahora daremos algunos ejemplos de subespacios. y si O < m < n, entonces P m es un subespacio propio de Pn, como se puede
verificar fácilmente.

fJEtml:>IO 1 Para todo espacio vectorial V, el subconjunto !Ol que contiene solamente el
vector cero, es un subespacio puesto que O+ O O y cxO =O para todo número
real ex (parte i del Teorema 4.2.l);· se le conoce como el subespacio trivial.
Ejemplo i V es un subespacio de sí mismo para todo espacio vectorial V.
fJe1mPiJO 8 Denotemos con Mmn (Ejemplo 4.2.10) el espacio vectorial de las matrices de
m X n con componentes reales y sea H = {A E Mmn: a 11 = O}. De las defini-
ciones de suma matricial y de multiplicación escalar, es claro que los dos axio-
mas de cerradura se satisfacen, de donde Hes un subespacio.
Ejemplo 9 Sea V= (las matrices den x n) y sea H =!A E M :A es invertiblel. Enton-
1111

ces H no es un espacio vectorial puesto que la matriz cero de tamaño n x n no

Subespacio propio Los primeros dos ejemplos nos muestran que todo vectorial V con-
tiene dos espacios vectoriales, {O} y V (a menos que V= {O}). Desde luego, es
mucho más interesante encontrar otros subespacios. Los subespacios que no
son ni {O} ni V se conocen como subespacios propios.
está en H.
* Note que IR mismo es un espacio vectorial; esto es, IR es un espacio vectorial donde los escalares
son los reales. Esto es el Ejemplo 4.2.1 con n = l.
 4.3 • Subespacios

188 CAPÍTULO 4 • ESPACIOS VECTORIALES

En cons~cuencia, to.das las soluciones del sistema homogéneo están dadas por
1 -:sz,
(-:sz, Haciendo z = t, obtenemos las ecuaciones paramétricas de la
Pn[O, l]* e C[O, 1] (Ejemplo 4.2.8) puesto que es rect~ L en fR 3 ; x = -!t, y = -~t, z = t. Y como vimos en el Ejemplo 4, el
Ejemplo 10
Pn es un espacio vectorial para todo entero n, de tal forma que c~da Pn [0,1] es con3unto de vectores sobre L forma un subespacio de [R 3 •
un subespacio de C[0,1]. ·

Denotemos con C' [O, 1] al conjunto de funciones definidas sobre [O, 1) con pri- Problemas 4.3
o Ejemplo 11
mera derivada continua. Como toda función derivable es continua, tenemos
que C' [0,1] e C[O,l]. Dado que la suma de dos funciones derivables es deri- En los. Problemas del 1 al 20 determine si el subconjunto dado H del espacio
vable y que con la multiplicación por un escalar de una función derivable obte- vectorzal V es un subespacio de V.
nemos una función derivable, concluimos que C' [0,1] es un subespacio de 2
C[O, I]. Además, es un subespacio propio porque no toda función continua es 1. V=IR ;H={(x,y):y2:':0} 2. V=IR 2;H={(x,y):x=y}
3. V=IR 3 ; H= el plano xy. 4. V=IR 2 ; H={(x, y): x 2 +y2::;1}
derivable.
S. V= Mnn; H ={DE M"": Des diagonal}.
6. V= Mnn; H = {TE M.m: T es triangular superior}
D 1~ Sif E C[O, 1], entonces Jó f(x) dx existe. Sea H = E 7. V=M""; H={SEM"": Ses simétrica}. 8. V=Mmn'· H={AEMmn"·a.1j =O}
Si f EH y g E entonces S6 [f(x) + g(x)] dx = S6f(x) dx + Jó g(x) dx =O+
O= O y Só af(x) dx = aJ6flx)dx= O. Así, f + g y af están en H para todo nú- 9. V=M22;H={AEM22 :A=(_; ~)}
mero real a. Esto nos muestra que Hes un subespacio propio de C[0,1].
V=M22;H={AEM22 :A=(~
1
10. ~ª)}
Como lo ilustran los tres últimos ejemplos, un espacio vectorial puede tener 11. V=M22; H={AEM22:A=(~ ~)} 12. V=P4 ; H={pEP4:degp=4}
una gran variedad de subespacios propios. Antes de concluir esta sección, de-
13. V= P4; H = {p E P4: p(O) =O} 14. V= P"; H = {p E P,.: p(O) =O}
mostraremos un resultado muy interesante sobre subespacios. 15. V=Pn; H={pEPn: p(O)= 1}
16. V= C[O, 1]; H = {f E C[O, 1]: f(O) = f(l) =O}
Sean y subespacios de un espacio vectorial V. Entonces es un
Teorema~ 17. V= C[O, 1]; H = {f E C[O, 1]: f(O) = 2}
subespacio de V. D 18. V= C'[O, 1]; H = {f E C'[O, 1]: f'(O) =O}
019. V= C[a, b], en donde a y b son números reales y a < b; H
Sean X¡ E y X2 E nH2. Entonces, dado que y son subespacios, {f E C[a, b]: f~ f(x) dx =O}
Demostración 020. V= C[a, b]; H={fE C[a, b]: S:f(x) dx = l}
X¡+X2EH1YX1+X2E EstoeS,X¡+X2E nH2.Análogamente,O'.X¡E n1.
De esta manera se satisfacen los dos axiomas de cerradura y por lo tanto
n es un 111 a
a. Demuestre que H 1 y H 2 son subespacios
b. Describa el subconjunto H = H 1 n H 2 y pruebe que es un subespacio.
En y, 2x- y z y
O 22. S.i V=: Cf.O. IJ, denotemos con H 1 el subespacio del Ejemplo 10 y con H 2 el subespa-
están formados por vectores que están sobre
c1.o del EJemplo 11. Describa el conjunto H 1 nH2 y demuestre que es un subespacio.
san por el y, por el 5, son sub espacios de 23. S1 A es una matriz de n X m y H {x E IRm: Ax = Demuestre que Hes un
intersección de dos y la calcular como en la Sección 3.5:
subespacio de IRm. AH se le conoce como el núcleo de la matriz A.
x+ +3z =0 24. Hagamos H= lx E !Rm :Ax:;tOi en el Problema 23. Demuestre que Hno es subes-
pacio de IRrn.
2x y- z =0 25. Sea H= {(x, y, z, w): ax+by+cz+dw=O}, donde a, b, e y d son números reales,
4
o bien, si reducimos por no todos nulos. Demuestre Hes un subespacio propio de IR • AH se le conoce
como un hiperplano en
2
-1 -~ \ -~ 1 26. Sea H =.{(X¡, X2, .. . , Xn): G¡X¡ + G2X2 + ... + anxn =O}, donde a¡, ª2' .. . ,
an so~ nu~eros reales, no todos nulos. Demuestre que Hes un subespacio propio
2 3\
1 ~
º) ~ (1o
o
o i
1 ~
¡º)o de IR . Al igual que en el Problema 25, a H se le conoce como un hiperplano en IR".
27. Sean H 1 y H 2 dos subespacios de un espacio vectorial V y sea H 1 + =
{v: v = "1 + "2 con V1 E H 1 y v2 E H 2}. Demuestre que H 1 + H 2 es un subespacio
*P [O, 1) denota el conjunto de polinomios de grado -:s.n definidos sobre el intervalo [O, l]. de V.
t 11
Note en particular, que como O E H 1 y O E H 2 , tenemos que O E H1 n H2 ·
190 CAPÍTULO 4 • ESPACIOS VECTORIALES

4.4 • Independencia lineal 191

28. Sean v 1 y v2 dos vectores en IR 2 • Demuestre que H = {v: v = av 1 + bv 2 ; a, b nú-
meros reales} es un subespacio de 1R 2 • Teorema 1
* 29. En el Problema 28, demuestre que si V1 y V2 no son colineales, entonces H= rre.
* 30. Sean v 1, v2 , .•• , vn vectores arbitrarios en un espacio vectorial V. Sea H =·
{v E V: v = a 1v 1 + a 2v2 + · · · + anvm donde a 1, a 2 , •. • , an son escalares}. De-
muestre que·H es un subespacio de V. AH se le conoce como el subespacio generado Demostración
por los vectores v 1, v2 , •.. , vn-
Independencia lineal
En el estudio de álgebra lineal, una de las ideas centrales es la de independencia
o dependencia lineal de vectores. En esta sección definiremos lo que entende-
mos por independencia lineal y se mostrará el modo en que se relaciona con
la teoría de sistemas homogéneos de ecuaciones y con los determinantes.
Dos vectores en un espacio vectorial V son linealmente dependientes si y sólo si
uno es un múltiplo del otro.
Primero suponemos que v2 = cv 1 con un escalar e i=- O. Entonces cv 1 - v2 =
O; V1 y v2 son linealmente dependientes. Por otro lado, si v 1 y v2 son linealmen-
te dependientes, entonces existen constantes c1 y c2 , ninguna de las cuales es ce-
ro, tales que c 1v 1 + c2v2 = O. Si c1 i= O, entonces, al dividir entre c1, se obtiene
v 1 + (c2 /c 1 )v2 = O, o bien
Esto es, v 1 es un múltiplo escalar de v 2 • Si c1 O entonces c2 i=- O y por lo mis-
mo v2 = O = Ov 1 • •

¿Existe una relación especial entre los vectores v 1 = G) Y V2 = (!)? Desde

=(-~) (-~)
luego, vemos que v2 = 2v 1, o escribiendo esto de otro modo, que
2v1 -v2 =O (1) Ejemplo 1 Los vectores V1 y v2 = son linealmente dependientes porque
V2 = -3v¡. Ü Ü

¿:!~é propiedad especial comparten los vectores v 1 = (i} v, =(-!)Y v, =

3 -9

(
1
:)?
Esta pregunta es más difícil de contestar a simple vista. Es fácil verifi- Ejemplo i Los vectores (i) y(_~) son linealmente independientes; si no lo fueran, ten-
car que v3 = 3v 1 + 2v2 , o escribiendo de otra manera
3v 1 +2v2 -v3 =0
Se ve pues que los dos vectores en la Ecuación (1) y los tres vectores en la Ecua-
(2) dríamos que (J =e(} ü~} Entonces, 2 =e, 5 ~ 2cy -3 = 4c, lo cual
ción (2), mantienen una relación más cercana que un par cualquiera de vectores-2 es imposible para cualquier número c.
o una terna arbitraria de vectores-3. En cada caso, decimos qut los vectores

(-~). (-D y G) son linealmente dependientes o

son linealmente dependientes. En general, se tiene la siguiente definición im-
portante. Ejemplo 3 Determine si los vectores

Definición 1 Dependencia e independencia lineales. Sean v 1, v2 , •.. , vn n vectores en un espa- independientes.

cio vectorial V. Entonces se dice que los vectores son linealmente dependientes
si existen n escalares c1, c2 , ••• , en no todos cero, tales que Solución Supóngase que c{-ü+c2(-D+c 3 G)=o=G}Entonces, multiplicando

Si los vectores no son linealmente dependientes, entonces se dice que son li-
(3)

y sumando, resulta
C1+2C2 ) (º)
-2c 1 -2c 2 + c 3 = O . Esto da un sistema homogéneo
(
- _-
nealmente independientes. ·
3c 1 +7c 3 O
de tres ecuaciones con tres incógnitas, c1 , c2 , c3 :
Expresado de otro modo, v 1, v2 , ••• , vn son linealmente independientes si la
ecuación c1v 1 + c2v2 + · · · + cnvn = O sólo se satisface si c1 = c2 C1 +2c2 = Ü
en = o. -2c 1 2c 2 + c3 =0 (4)
¿Cómo se determina si un conjunto de vectores es o no linealmente indepen- 3c 1 +7c 3 =0
diente? El caso de dos vectores es sencillo.
Por lo tanto, los vectores serán linealmente dependientes si y sólo si el sistema
 4.4 Independencia lineal
192 CAPÍTULO 4 • ESPACIOS VECTORIALES

(4) posee soluciones no triviales. Se expresa el sistema (4) usando la matriz Si elegimos c3 = 1, entonces c2 = -3 y c 1 = -2, así que, como se puede verifi-
car fácilmente,
aumentada se reduce por filas o
o
2
º)o G ~)
2

H -2
o
o1 o
7
2
-6
1
7
o y los vectores son linealmente dependientes.

Go ~)
o -1

G ~)
2
1 1
-6 7 10
La teoría de los sistemas homogéneos expresa algo respecto de la independencia
o o
Go ~)
o
Go ~)
-1 1)
o la dependencia lineales de los vectores.
1 o 1
1 Teorema !l Un conjunto den vectores en !R 111 es siempre linealmente dependiente sin > m.
Demostración Sean v 1, v 2 , ••• , vn n vectores en !R 111
y tratemos de evaluar constantes c 1, c2 ,
El último sistema de ecuaciones se lee: c1 O, C2 O, O. De manera que
... ' en' no todas nulas, tales que
(4) carece de soluciones no triviales y los vectores dados son linealmente inde-
pendientes. (6)

Ejemplo 4 Determinar si los vectores son linealmente independientes Sean v, {~:), ·(:~:
v2 = ) ' ... , vn =(:~:).Entonces, la Ecuación (6) se

am 1 ªm2 amn
o no. convierte en

Solución La ecuación c 1( - ~)+e{~)+{~)= G) conduce al sistema homogéneo: a11C1 +a12C2+ · · ·

a21 C1 + a22C2 + ' ' ' +
+a1nCn

a2nCn
=0
=Ü
(7)
+ +llc 3 O
o (5)
Pero el sistema (7) es el sistema (1.7.1) y, de acuerdo con el Teorema 1.7.1,
tal sistema tiene una infinidad de soluciones sin > m. Así pues, existen escala-
Escribiendo el sistema (5) en la forma de matriz aumentada Y reduciendo por res c 1, c2 , ••• , en no todos cero que satisfacen (7) y los vectores v1, v2 ,
filas, que sucesivamente, vn son linealmente dependientes. 111

~)
3 11

~)
11

H
3
o
4
-6
12 G 9
4
27
12
o
Eiemo,lo 5 Los vectores (J. (-~!)Y (-D son linealmente dependientes, por

Go o ~)
2

~)
3 11 A 21 (-3)
Au(--4)
1 3
G 1
4
3
12
ser cuatro vectores-3.

Aquí podemos detenernos, pues la teoría de la Sección 1. 7 muestra que el siste- Existe un corolario al Teorema 2 muy importante (y obvio).
ma (5) posee una infinidad de soluciones. Por ejemplo, la última matriz aumen-
tada da
C1 +2c3=Ü Corolario Un conjunto linealmente independiente de vectores en W contiene, a lo sumo,
n vectores.
C2+3C3 Ü
Nota. Podemos expresar el corolario como sigue: Si se tienen n vectores-n li-
194 CAPÍTULO 4 • ESPACIOS VECTORIALES
4.4 • Independencia lineal 195

nealmente independientes, no es posible agregar más vectores sin hacer que el porque ninguno es múltiplo del otro. (El lector debe verificar que los vectores
conjunto obtenido sea linealmente dependiente. . · son soluciones.) Como x 3 y x 4 son números reales arbitrarios, resulta de (9) que
es posible expresar todas las soluciones de (8) en términos de dos vectores solu-
El sistema (7) permite formular otra observación importante. cuya demostra- ción linealmente independientes.
ción se deja como ejercicio (vea Problema 27).

Los siguientes dos teoremas se deducen directamente del Teorema 3.

e
Teorema 3 Sea ª12
A ª21 ª22 Teorema 4 Sean Vp v 2 , ••• , vn, n vectores en ¡¡;gn, y sea A una matriz den x n cuyas co-
lumnas son v 1 , v2 , ••• , vn- Entonces v 1 , v2 , ••• , vn son linealmente indepen-
aml am2 dient(;S si y sólo si la única solución al sistema homogéneo Ax = Oes la solución
trivial x = O.
Entonces las columnas de A, consideradas como vectores, son linealmente de-
Demostración Esto es el Teorema 3 en el caso en que m = n. 111
pendientes si y sólo si el sistema (7), que puede ser expresado como Ac = O,

posee un número infinito de soluciones. Aquí, e= (l:} Teorema 5 Sea A una matriz den x n. Entonces det A
de A son linealmente independientes.
=I= O si y solamente si las columnas

Demostración Del Teorema 4 y del Teorema Resumen (vea pág. 127), las columnas de A son
es la única solución de Ax= O<=>- detA ::/=O. (Aquí<::;:. significa
y sólo si".) 111
Ejemplo 6 Considérese el sistema homogéneo
El Teorema 5 permite extender el Teorema Resumen.
x 1 + 2x 2 - x 3 + 2x 4 = O
(8)
3x 1 + 7x 2 + x 3 + 4x 4 = O Teorema 6 Teorema resumen - Versión 5. Sea A una matriz de n x n. Entonces cada uno de
los siguientes siete enunciados implica a los otros seis (esto es, si uno se verifica,
Resolvamos mediante reducción por renglones: todos son ciertos).

~ ~) ~ -~ ~)
2 -1 2 -1 i. A es invertible.
G 7
1 A, ,( - 3) (
4 1 ii. La única solución al sistema homogéneo Ax = O es la solución trivial (x =

~o
A,,(-2) (1 o -9
4 -~ ~)
1
fü.
iv.
El sistema Ax = b posee una solución única para todo n-vector b.
A es equivalente por filas a 1a matriz identidad /n-
v. A puede ser escrita como el de matrices elementales.
El último sistema es: vi. detA ::/= O.
vii. Las columnas (y los renglones) de A son linealmente independientes.
- 9x 3 + 6x 4 =O
x 2 + 4x 3 2x 4 = O Demostración La única parte que no ha sido demostrada es que los renglones de A son lineal-
mente independientes, si det A ::/= O. Si las columnas son independientes, det A =I=
Vemos que este sistema posee un número infinito de soluciones, que escribi- O. Entonces det A 1 = det A ::/= O (vea Teorema Así pues, las columnas
mos como un vector columna: de A 1 son linealmente independientes. Pero las columnas de A 1 son los
nes de así que los renglones de A son independientes. 111
X1) ( 9X3
4 9)
6X4 )
·(-6)
x:: zx. x + x ~
(
Todo ejemplo que se ha resuelto hasta ahora ha sido en el espacio IRn. Esto
(:; = - = 3 -: 4 (9)
no es tan restrictivo como parece. En la Sección 5.4 (Teorema 6) veremos como
muchos espacios vectoriales que parecen distintos, poseen especialmente las mis-

Nótese que (-¡) y (-¡)son soluciones linealmente independientes de (8)

mas propiedades. Por ejemplo, se verá que el espacio Pn es esencialmente
el mismo IR n+ 1• Se dice que tales espacios vectoriales son isomorfos.
Este poderoso resultado no lo daremos sino hasta el Capítulo 5. Mientras
tanto, se examinarán algunos ejemplos en otros espacios que no sean ¡¡;gn.
CAPÍTULO 4 • ESPACIOS VECTORIALES
4.4 • Independencia lineal 191
Estas ecuaciones valen para toda x si y sólo si

Ejemplo 1 En M 23 sean
terminar si A 1' A 2 , y A 3 son linealmente independientes o no lo son. y

Solución Supóngase que c 1A 1 + c2 A 2 + = O. Entonces

Por el Teorema 1. 7 .1, este sistema de dos ecuaciones en tres incógnitas posee
o
1
+c2 ( 2
-1 13 4)O +c (-11
3
o
2
un número infinito de soluciones. Esto demuestra que los polinomios son li-
nealmente dependientes.
Si resolvemos este sistema homogéneo, se obtiene, sucesivamente:

Esto da un sistema homogéneo de seis ecuaciones en las tres incógnitas Cp c2 ,

-4
1
-~ ~)
1 _A_-'-'-----'l>
-4
-7 -6
-71 oº)
c3 , y es fácil verificar que la única solución es c 1 = c2 = c3 = O. Así pues, las
tres matrices son linealmente independientes. -4
1 -; 1 ~) (1
o
o -y
1 ~
1 º)
o
En P 3 , determinar si los polinomios 1, x, x 3 son linealmente independien- Así, c3 puede ser elegida arbitrariamente, c 1 = 2/ c3 y c2 = -~c3 • Si c3 = 7,
tes o no. por ejemplo, entonces c 1 = 25, c2 = -6, y tendremos 25(x - 2x 2 ) -
Solución Supóngase que c 1 + c2 x + + c4 x 3 = O. Esto debe satisfacerse para cada 6(x 2 - 4x) + 7(-7x + 8x 2) = O.
número real x. En particular, si x = O obtenemos c 1 = O. Entonces, tomando
x = 1, -1, 2, obtenemos, sucesivamente:
C2 + C3 + C4 Ü
Problemas 4.4
- C2 + C3 - C4 = Ü
2c 2 +4c 3 + 8c 4 =O
En los Problemas del 1 al 22 determinar si el conjunto dado de vectores es lineal-
El determinante de este sistema homogéneo es mente independiente o dependiente.

1 1 1
-1 1 -1=12:1:0 l. G); C~)
2 4 8
de modo que el sistema posee la solución única c2 = c3 = c4 = O y los cuatro
polinomios son linealmente independientes. Es posible examinar esto desde otro
3.(-)(-D 4. (-~} (~)
punto de vista. Sabemos que todo polinomio de grado 3 posee, cuando más,
tres raíces reales. Pero si c 1 + c2 x + c3 x 2 + c4 x 3 = O para algunas constantes
no nulas c 1 , c2 , c3 y c4 , y para cada número real x, entonces se ha construido
un polinomio cúbico para el cual todo número real es una raíz. Esto es, clara-
6. (~}o (D

Ejemplo 9
mente, imposible.

En P 2 , determinar si los polinomios x - 2x 2 , x 2 4x, y - 7x + 8x 2 son lineal-

7. (~} () (~) 8. n} (-) m
mente independientes o no.
Solución Sea c 1(x - 2x 2 ) + cz(x 2 4x) + cl-7x + 8x 2)
(c 1 -4c 2 -7c 3 )x =O
(-2c1 + c2 + 8c 3 )x 2 =O
O. Reordenando términos,
10. (-¡}(j){l}(J)
198 CAPÍTULO 4 • ESPACIOS VECTORIALES 4.4 • Independencia lineal 199

En los Problemas del 33 al 37 escribir las soluciones a los sistemas homogéneos

11. (-¡} (j} (-¡} (j) dados en términos de uno o más vectores linealmente independientes.
33.
34.
X1 + + X3 = Ü
X2

X 1 - X2 + 7X3 - X4 = Ü

13. En P 2 : 1
x,x
2
14. En P 2 : -x, x -2x, 3x+5x
2 2x 1 + 3x 2 - 8x 3 + x 4 = O
1
15. En P 2 : 1-x, +x, x 2
16. En P 3 : X, X
2- X, X 3 - X
35. X 1 + 2x 2 - X 3 = Ü
2x 1 + 5x 2 + 4x 3 = O
3 3 3
17. En P 3 : 2x,x -3, 1+x-4x ,x +18x-9

18. En M 22 : (! -·o1)' (º1 -3)5' (47 -~) 36. X¡ + X2 + X3

- 2x 1
X4 - X5 = Ü
+ 3x 2 + x 3 + 4x 4 6x 5 = O

(~ -1)
6' (-13 ~), (_~ ~),(~ ~)
19. En M 22 :
37. x 1 + 2x 2 - 3x 3 + 5x 4 =O
38. Sea u= (1, 2, 3).
20. EnM22: (-11 ~), G _!), (~ -5)6 ' (42 -1)3,(-12 !) a.Sea H = {v E IR 3 : u · v = O}. Demuestre que Hes un subespacio de IR 3 .
b.Halle dos vectores en H linealmente independientes y llárneselos x y y.
* 21. En C[O, 1]: sen x, cos x e.Evaluar w = x x y.
* 22. En C[O, 1]: x, ,/";,,<IX d.Pruebe que u y w son linealmente dependientes.
23. Formule una condición para los números a, b, c y d tal que los vectores e. Dé una interpretación geométrica de las partes (a) y ( c) y explique por qué ( d)
debe verificarse.
sean linealmente dependientes.
3
Observación. Si V = {v E IR : v = cm para un número real a}, entonces V es un subes-
pacio de IR 3 y H se llama complemento ortogonal de V.
* 24. Encontrar una condición sobre los números ªu tal que los vectores(:::} (:::}
1
( :::) sean linealmente dependientes. ª' ª" 39. Elíjase un vector u i= O en IR 3 . Repítanse los pasos del Problema 38 con el vector
elegido.

25. ~): qué valor(es) de a son lineahnente dependientes los vectores G} (-:} 40. Demuestre que cuatro polinomios en P 2 son linealmente dependientes.
41. Demuestre que dos polinomios no pueden generar todo P 2 •
* 42. Pruebe que n + 2 polinomios en Pn son linealmente dependientes,
43. Pruebe que cualquier subconjunto de un conjunto de vectores linealmente indepen-
26. ¿Para qué valor(es) de a resultan ser linealmente dependientes los vectores (-~} diente es linealmente independiente. [Nota: Esto generaliza el Problema 29.]
44. Demu.;stre que siete matrices en M 32 son linealmente dependientes.

(~~} (D? [Sugerencia: Examíneseles con detenimiento.]

* 45. Demuestre que mn + 1 matrices en Mmn son linealmente dependientes.
46. Sean S 1 y S 2 dos conjuntos de vectores linealmente independientes en un espacio
vectorial V. Demuestre que S 1 n S2 es linealmente independiente.

27. Demuestre el Teorema 3. [Sugerencia: Examine en detalle el sistema (7).]

* 47. Demuestre que en Pn los polinomios 1, x, x 2
, •• ., xn son linealmente independien-

28. Demuestre que si los vectores v 1, v 2, ... , vn son linealmente dependientes (en IRm),
y si vn+l es cualquier otro vector en IRm, entonces el conjunto v 1, v 2 , ••• , vn, Vn+l
es linealmente dependiente.
29. Demuestre que si v 1, v 2 , ••• , vn (n ~ 2) son linealmente independientes, entonces
también lo son v 1, v 2, ••• , vk, donde k < n.
30. Pruebe que si en IRn los vectores v 1 y v2 son ortogonales (vea pág. 00), entonces el
conjunto {v 1, v2} es linealmente independiente.
* 31. Supóngase que v 1 es ortogonal respecto de v 2 y v 3 , y que v 2 es ortogonal respecto
de v 3 • Si v 1, v 2 , v 3 no son nulos, pruebe que el conjunto {v 1, v 2 , v 3} es linealmente
independiente.
32. Sea A una matriz cuadrada (n x n) con columnas v 1, v 2, ... , vn- Demuestre que
v 1, v 2, ... , v n son linealmente independientes si y sólo si la forma escalón por fi-
las de A no contiene un renglón de ceros.
tes. [Sugerencia: Sin = 1, esto se verifica. Supóngase que 1, x, ... , xn-l es li-
nealmente independiente y demuestre que esto implica que 1, x, ... , xn también
lo es. Lo anterior completa la demostración por inducción matemática.]
48. Sea {v 1, v2 , .•• , vn} un conjunto linealmente independiente. Demuestre que los vec-
tores v 1, v 1 + v 2 , v 1 + v2 + v3 , ..• , v 1 + v2 + · · · + vn son linealmente inde-
pendientes.
49. Sea S = {vp v2 , •.. , vn} un conjunto linealmente dependiente de vectores no nu-
los en un espacio vectorial V. Demuestre que al menos uno de los vectores de S
puede ser expresado corno combinación lineal de los vectores que lo preceden. Esto
es, pruebe que existe un entero k ::::: n y escalares a 1, a2 , ••• , ak+ 1 tales que vk =
a¡V¡ + a2V2 + .. ' + ak-IVk-1 ·
50. Sea {v 1, v2 , •.. , vn} un conjunto de vectores con la propiedad de que el conjunto
{v¡, vJ es linealmente dependiente si i i= }. Demuestre que cada vector del conjun-
to es múltiplo de un solo vector en el conjunto.
 4.5 • Combinación lineal y generación de espacio
CAPÍTULO 4 • ESPACIOS VECTORIALES

O 51. Sean f y gen C' [O, 1]. El wronskiano* de f y g se define por

fiE~m1r>IO 3 En Pm todo polinomio puede ser expresado como combinación lineal de los
f(x) g(x) 1 ''monomios'' 1, x, ... 'xn.
W(f, g)(x) = f'(x) g'(x)
1

Demuestre que si f y g son linealmente dependientes, entonces W(f, g )(x) = O

para toda x E [O, 1]. "'"'"·"""'''""'' ...... !l Generación de un vectorial. Los vectores v 1, v2 , ••• , vn en un espacio vec-
O 52. Determine una adecuada definición del wronskiano de las funciones f 1, f 2 , ... , Ín E torial V se dice que generan V, si todo vector en V puede expresarse como com-
ccn-1) [O, l]t binación lineal de ellos. Esto es, para todo v E V, existen escalares a¡, a2, · · ·,
53. Supóngase que u, v, w son linealmente independientes. Demuestre o refute: u + an tales que
v, u + w, y v + w son linealmente independientes.
54. ¿Para qué valores reales e, los vectores (1 - e, 1 + e), (1 + e, 1 - e) son linealmente
independientes?
55. Demuestre que los vectores (1, a, a2), ( 1, b, b2 ) y ( 1, e, c2) son linealmente inde-
pendientes si a i=- b, a i= e y b i= c.

Combinación lineal y generación EíemD1IO 4 Vimos en la Sección 3.1 que los vectores i = (~) y j= (~) generan !R
2
• En la

IJe·tm'1CNOn 1
de espacio
Combinación lineal. Sean v 1, v2 , ••• , v" vectores en un espacio vectorial V. En-
tonces, toda expresión de la forma
Sección 3.3 se vio que i = (~} j mk=m y generan ~3 ·
De hecho, no es difícil obtener conjuntos de vectores que generen !Rn, co-
mo lo ilustra el siguiente teorema.

Teorema 1 Un conjunto de n vectores linealmente independientes en !Rn genera a ~n.

en donde a 1, a 2 , ••• , ª" son escalares, se llama combinación lineal de v 1, v 2 ,

1 En ~{Des una combinación linefil de eD (-D y ya qu{ D =

Demostración Sea v 1 = ' ... 'vn = y

2) , lo cual demuestra .que

sea v = (D un vector en ~·. Debemos demostrar que existen escalares c 1 ,

Ejemplo !l En M23, e~ ~ ~) = 3(-~ ~ :)+2(_~ ~ _

6 c2 , ••• , Cn tales que
-3 2
(_1 9
s)3 es una comb'mac1on 1 ~
. , rmea I de (-1
:) y de(_~ ~ =~). Esto es,

*Recibe este nombre en honor del matemático polaco Józef Maria Hoene-Wroóski (1778-1853). +···+en (3)
Hoene-Wroóski vivió la mayor parte de su vida adulta en Francia. Trabajó en la teoría de determi-
nantes y fue conocido también por sus escritos críticos en la filosofía de las matemáticas.
t C (n-Il [O, 1] es el conjunto de funciones cuyas (n 1)-ésimas derivadas están definidas y son con-
tinuas en [O, l].
 CAPÍTULO 4 • ESPACíOS VECTORIALES
4.5 • Combinación lineal y generación de espacio 203
En (3), efectuamos las multiplicaciones, sumamos e igualamos componentes para
obtener un sistema de n ecuaciones en las n incógnitas c 1, c2, ••• , en:
Ejemplo 8 Sea P el espacio vectorial de los polinomios de cualquier grado. Entonces no
all C1 + a12C2 + ... + a1nCn = X1 existe conjunto finito alguno que genere a P. Para ver esto, supongamos que
PP p 2 , ••• , Pm son polinomios. Sea p k el polinomio de más alto orden en este
ª21 C1 + a22C2 + ' . ' + a2nCn = X2
conjunto y sea N = degp k· Entonces es claro que el polinomio p(x) = xN+ 1
no puede ser escrito como combinación lineal de PP P2, ... , Pm·
(4)

Ahora se considerará otro modo de encontrar subespacios de un espacio vec-

torial V.
Se expresa (4) como Ac = v, en donde
Definición 3 Espado generado por un conjunto de vectores. Sean v 1 , v2 , ••• , vn n vectores en un
ª11 ª12 aln C1 espacio vectorial V. El espacio generado por {v1, v2 , •.• , vn} es el conjunto de
ª21 ª22 a2n C2 las combinaciones lineales de v 1, v2 , ••• , vw Esto es,
A= y e=

anl an2 ann en

Pero el sistema (4) posee una solución única si y sólo si detA -::/=O. Pero detA 1= donde a 1, a2 , ••• , an son escalares.
Oporque las columnas de A son linealmente independientes. (Todo esto es con-
secuencia del Teorema 4.4.6.) Así pues, existe un solo vector e que satisface
el sistema (4) y el teorema queda demostrado. 111 Teorema i El gen {v 1, v2 , ••• , vn} es un subespacio de V.
Demostración Es fácil y se deja como ejercicio (vea Problema 16). 111
Observación.Este teorema no sólo muestra que v puede ser expresado como una
combinación lineal de los vectores linealmente independientes v 1, v2 , ••• , vn,
sino que esto sólo es posible de una sola manera (ya que el vector solución e
es único). Ejemplo 9 Sean v 1 = (2, -1, 4), v2 = (4, 1, 6). Entonces H = gen{v1, V2} =
{v: v = a 1(2, -1, 4) + ai(4, 1, 6)}. ¿A qué se parece H? Si v = y, z) E
entonces x = 2a 1 + 4a2 , y = -a 1 + a2 , y z = 4a 1 + 6a2 • Si consideramos que
(x, y, z) es fijo, entonces estas ecuaciones pueden verse como un sistema de tres
2 1 3 ecuaciones en dos incógnitas a 1, a2 • Se resuelve el sistema en la forma usual:
Los vectores -1, (1, O, 2) y (3, -1, 5) generan IR 3 pues -1 O -1
4 2 5 -1 1 Y) M 1 (-1) (1 -1 -y) Al.2(-2) ( 1 -1
6 -y)
-1 1= O, así que son linealmente independientes.
( z24x
4 6
_____,. 2
4
4
6
X

z
Al.3(-4)
----?
Ü

o 10
x+2y
z+4y
Examinaremos a continuación brevemente conjuntos generadores de algu-
nos otros espacios. M cJ-) 1 -1 -y ) A A2.1(-10)
(1) (1 Ü x/6-2y/3 )
~
(o O 1 (x+2y)/6 ~
10 z +4y
O 1
o o
x/6 + y/3
-5x/3+2y/3+z
fJe,mo1fO 6 Del Ejemplo 3, se deduce que los monomios 1, x, x 2, ... , xn generan Pn-
Del Capítulo 1, vemos que el sistema posee solución si -5x/3 + 2y 13 + z =
O; o, multiplicando por -3, si
Ejemplo 7 Como =a(~ ~)+ b(~ ~)+cG ~)+a(~ ~)vemos que(~ ~). 5x-2y-3z=O (6)

(~ ~). (~ ~), Y (~ ~) generan M 2" Pero la Ecuación (6) es la ecuación de un plano en IR 3 que pasa por el origen.
204 CAPÍTULO 4 • ESPACIOS VEPORIALES 4.5 • Combinación lineal y generación de espacio

El último ejemplo puede ser generalizado para demostrar el hecho interesan- Concluiremos esta sección citando un resultado útil. Su demostración no es
te que sigue: · difícil y se deja como ejercicio (vea Problema 21).

El espacio generado por dos vectores no nulos en IR 3 y que ·reorema 3 Sean los n + 1 vectores V¡, V 2' . . . ' V n' V n + ¡, de un espacio vectorial v. Si V¡,
no sean paralelos es un plano que pasa por el origen. generan V, entonces V¡, V2' . . . ' V m V n + 1 también generan v. Esto
V 2' . . . ' V n
es, la adición de uno (o más) vectores a un conjunto generador resulta en otro
conjunto generador.
Para una demostración sugerida, véanse los Problemas 19 y 20.
Es posible dar una interpretación geométrica de este resultado. Considere-
mos los vectores de la Figura 4.1. Conocemos (de la Sección 3.1) la interpreta-
ción geométrica de los vectores 2u, -u y u + v, por vía de ejemplo. Usando Problemas 4.5
éstos se ve que cualquier otro vector en el plano de u y de v se puede obtener
como combinación lineal de u y de v. La Figura 4.2 muestra cómo en cuatro En los Problemas del 1 al 13 determinar si el conjunto de vectores dado genera
situaciones diferentes, un vector w ubicado en el plano de u y v puede ser escri- al espacio vectorial que se da.
to como au + (3v eligiendo apropiadamente los números a y (3.
l. En R
2
G) (!) ~En R 2
: (:). (!)·(~)

G} C~}
/'
/
// "'\
'\'\ 3. En R
2
G) G) G) 4. En R
3

Figura 4.1

(a)
2u
u

(b)
u \) l

(e)
V
5. En R

7. En ~ :
8. En ~ 3 :
3

3
: o o(~)
(1, -1, 2), (1, 1, 2), (O, O, 1)
(1, -1, 2), (-1, 1, 2), (O, O, 1)
6. En R
3
C} (!} (:). m
9. En P 2 : 1-x, 3-x 2
V
10. En P 2 : 1-x, 3-x 2 , x
u
11. En M22:
(~ ~), (~ ~), (~ (º ~)
-1)
o' 3

G ~), (~ ~), (; -1)o ' (-26 o5).

V
12. En M22:
w u
au u
o 1 o
(~ ~), (~ ~), (~ ~),
(a< O) /\\
~V / \ 13. En M23:
/ \ o o o
\ (~<O) / \
o o o
(~ ~), (~ ~), (~ ~)
\ .
\ w l
\ / ~v au o o
\/ O<~<l
o
O<a<l au 14. Demuestre que P 2 no puede ser generado por dos polinomios.

Figura 4.R (a) (b) (e)

a<O
* 15. Si p 1, p 2, ••• , Pm generan Pm entonces m ?: n + l.
16. Demuestre que si u, v están en gen {vp v 2 , .•. , vn}, entonces u + v y au también
au lo están. [Sugerencia: Utilizar la definición de espacio generado para expresar u +
V
a>! v y au como combinaciones lineales de v 1, v 2 , ••• , v w l
\
\ 17. Demuestre que el conjunto infinito { 1, x, x 2 , x 3 , .•. } genera P, el espacio vecto-
\ rial de polinomios.
u
\
\ 18. Considere que Hes un espacio de V que contiene a v 1 , v2 , . . . , vn- Demuestre que
o )w
gen{v 1, v2 , ••. , vn} s; H. Es decir, gen{v 1, v2 , ••• , vn} es el más pequeño subes-
/
/ pacio de V que contiene a v 1 , v2 , .•. , vn-
/
/ (d)
~V / 19. Sean v 1 = (x1, y 1, z 1 ) y v2 = (x2 , y 2 , z2 ) vectores en ~ • Demuestre que si v2 =
3

¡3 <o /
cv 1 , entonces gen {v 1 , v2 } es una recta que pasa por el origen.
206 CAPÍTULO 4 • ESPACIOS YECTORIALES 4.6 • Base y dimensión

* * 20. En el Problema 19, supóngase que v 1 y v2 son independientes .. Demuéstrese que.

Definición 1 Base. Un conjunto de vectores {v¡, v2 , ••• , forma una base para V si
H = gen {v 1, v2} es un plano que pasa por el origen. ¿Cuál es la ecuación de este
i. {v 1, V2, ... , Vn} es linealmente independiente.
plano? [Sugerencia: Si (x, y, z) EH, escriba v = a 1v 1 + a 2v2 y encuentre una con-
dición que relacione x, y y z de modo que el sistema 3 x 2 resultante tenga una
ii. {Vp Vz, ... , Vn} genera V.
solución.] Hemos visto ya algunos ejemplos de bases. En el Teorema 4.5.1, por ejem-
21. Demuestre el Teorema 3. [Sugerencia: Si v E V, escriba v como combinación lineal plo, se vio que cualquier conjunto de n vectores linealmente independientes
de Vp v 2, ... , vm vn+l• con el coeficiente de Vn+l igual a cero.] en !Rn, genera !Rn. Así pues,
22. Demuestre que M 2i puede ser generado por matrices invertibles.
* 23. Sean {u 1, u 2 , .• ., un} y { v 1, v2 , •• ., vn} 2n vectores en un espacio vectorial V. Todo conjunto de n vectores linealmente independientes en !Rn es
Suponga que
una base en !Rn.
V1 = a11U1 + a12U2 + ... + a1nUn
V2 = a21U1 + a22U2 + ... + a2nUn
En !Rn definimos
1 o o o
o 1 o o
Demuestre que si o o 1 o
ª11 ª12 aln
ei = 'e2 = 'e3 = ' ... ,en=
ª21 ª22 a2n

~o
o o o
Como los términos e¡ son las columnas de la matriz identidad (cuyo determi-
nante es 1), entonces {e¡i e2 , ••• , en} es linealmente independiente y, por tan-
entonces gen {u¡. U2, ... , Un} = gen {v¡, Vz, ... , Vn}·
to, constituye una base en !Rn. Esta entidad especial se llama base canónica
24. Sea {v 1, v 2, ... , vn} un conjunto linealmente independiente y supóngase que v e en !Rn. Encontraremos ahora bases para otros espacios.
gen {vp v2 , •.• , vn}. Demuestre que {v 1, v2 , .•• , vn, v} es un conjunto linealmente
independiente.
25. Halle un conjunto de tres vectores linealmente independientes en IR 3 que conten-
Ejemplo 1 Por el Ejemplo 4.4.8, los polinomios 1, x, x 2 , x 3 son linealmente independien-
ga los vectores(!) y(-!). [Sugerencia: Realice la obtención de un vector v j
tes en P 3 • Por el Ejemplo 4.5.3, estos polinomios generan P 3 • Así pues,
{1, x, x 2 , x 3} es una base de P 3 • En general, los monomios {1, x, x 2 , x 3 , ••• , xn}
constituyen una base de Pn. A ésta se le llama base canónica de Pn.

gen {G}CD}] Ejemplo !1 Se vio en el Ejemplo 4.5.7, que G~} (~ ~). (~ ~) Y (~ ~)gene­
26. Determine un conjunto de tres vectores linealmente independientes en P 2 tal que
contenga a los polinomios 1 - x 2 y 1 + x 2 •
ran Mn· Si c1 (~ ~)+e,(~ ~)+e,(~ ~) +c 4 (~ ~) = (~ ~}enton-
ces, obviamente, c 1 = c2 = c 3 = c4 = O. Así pues, éstas cuatro matrices son
4.6 Base y dimensión linealmente independientes y forman una base de M 22 , que recibe· el nombre
de base canónica de M 22 •
Hemos visto que en IR 2 es conveniente escribir los vectores en términos de los

vectores i = (~) yj = (~). En IR 3 se expresan los vectores en función de Ejemplo 3 Encontrar una base para el conjunto de vectores en el plano

G} (~} m- Ahora generfilizaremos esta idea.

~= fü} 2x - y+ 3z =O}
 4.6 • Base y dimensión 209
208 CAPÍTULO 4 • ESPACIOS VECTORIALES

Solución En el Ejemplo 4.2.6 vimos que 7r es un espacio vectorial. Para encontrar una de cuatro o más vectores en IR 3 no puede ser linealmente independiente, pues
si los primeros tres vectores del conjunto fuesen linealmente independientes,
base, nótese que si x y z se eligen arbitrariamente y (:)E , ., entonceS y =
formarían una base, y así todos los demás vectores podrían ser expresados co-
3
mo combinación lineal de ellos. De modo que todas las bases en rR contienen
tres vectores. El teorema siguiente dice que la pregunta formulada con anterio-
2x + 3z. Así que los vectores en .- son de la forma ( 2x : 3 z). Como x y z
ridad tiene por respuesta sí para todos los espacios vectoriales.

son arbitrarios, elegimos algunos valores simples para ellos. Tomando x = 1, Teorema 2 Si {up u 2, ... , um} y {vH v2, ... , vn} son bases del espac~o vector~al V, enton-
ces m = n; esto es, cualesquiera dos bases en un espacio vectonal V poseen
z =O, obtenemos v, =(~}y tomando =O, z =l, obtenemos v =(~}
x 2
el mismo número de vectores.
Sean S = {u 1 , ••• , um} y S2 = {v 1, ... , vn} dos bases de V. Debemos demos-
Demostración* 1
trar que m = n. Se realizará lo anterior probando que si m > n, entonces S1
Entonces ( 2x: 3z) = x (D + z (~} De manera que {v,, v 2} generan .- y, co-
es un conjunto linealmente dependiente, lo cual contradice la hipótesis de que
S es una base. Esto prueba que m ::5 n. La misma demostración hará ve~
1
que n ::5 m, y esto corrobora el teorema. Así pues, basta demostrar que s1
mo obviamente son linealmente independientes (porque no son múltiplos el uno m > n entonces S 1 es linealmente dependiente. Como S2 es una base, pode-
del otro) forman una base de 7í. rnos escribir cada U¡ como combinación lineal de los términos V¡. Se tiene que
u 1 =a 11 v 1 +a 12v2 + · · · +a1nVn
Si v 1, v2, ... , vn forman una base de V, entonces cualquier otro vector v E U2 = a21V1 + a22 V2 + . ' . + a2n V n
V puede ser escrito v = c1v1 + c2v2 + · · · + cnvn- ¿Puede ser escrito lo an- (1)
terior de otra manera como combinación lineal de las v¡? La respuesta es no.
(Vea la observación que sigue a la demostración del Teorema 4.5.1 para el
caso V = rRn.) Um = am 1V1 + am 2V2 + ... + amn Vn
Para demostrar que S 1 es dependiente, hay que encontrar escalares C¡, Cz,
Teorema 1 Si {v 1, v2, ... , vn} es una base de V y si v E V, entonces existe un conjunto
cm, no todos cero, tales que
único de escalares C¡, c2 , ••• , en tales que v = c 1v 1 + c2v2 + ... + cnvw (2)
c 1u 1 +c 2u 2+ · · · +cmum =0
Demostración Al menos existe un conjunto tal de escalares, puesto que {v 1, v2, ... , vn} ge-
nera a V. Supongamos que v puede ser expresado de dos modos como combi- Sustituyendo (1) en (2),
nación lineal de los vectores de base. Esto es, supóngase que c 1 (a 11 v 1 +a 12v 2+ · · · +a 1 nvn)+c2(a21V1 +a22v2+ · · · +a2nvn)
V= C1V1 + C2 V2 + . ' . + Cn Vn = d 1V1 + d2 V2 + ' ' ' + dn Vn + . . ' + Cm ( am 1V1 + am 2V 2 + . ' ' + amn V n) = 0

Entonces, restando, obtenemos la ecuación que puede expresarse corno

(a 11 c 1 +a 21 c 2 + · · · +am 1 Cm)V1 +(a12C1 +a22C2+ · · · +am2Cm)V2
(el -d1h 1+ (c2 -d2)V2 + · · · +(en - dn)Vn =O
1

+···+(a1nC1+a2nC2+···+ =O
Ahora, como los términos V¡ son linealmente independientes, esta ecuación só- Puesto que vp v2 , ••• , vn son linealmente independientes debernos tener que
lo puede satisfacerse si C¡ - d¡ = Cz - d2 = . . . = en - dn = o. Así pues, C¡
d¡, C2 = d2, ... , Cn = dn Y el teorema queda demostrado. 111 a11C1 + a21C2 +' . '+ am1Cm = Ü
a12C1 + a22C2 + ' ' ' + am2Cm = Ü

Hemos visto que los espacios vectoriales pueden tener muchas bases. Surge
naturalmente una pregunta: ¿Tienen todas las bases el mismo número de vec-
tores: En IR 3 , la respuesta es, ciertamente, sí. Para ver esto, nótese que cua-
lesqmera tres vectores linealmente independientes de IR 3 forman una base.
Menos de tres vectores no pueden formar una base, pues como vimos en la Sec- * Esta demostración se da para espacios vectoriales con bases que contienen un número finito
ción 4.5, el espacio generado por dos vectores de IR 3 linealmente independien- de vectores. También tratamos los escalares como si fuesen números reales. Sin embargo, la de-
tes, es un plano en IR 3 -y un plano no es todo !R 3 ". Similarmente, un conjunto mostración sirve también en el caso complejo.
 4.6 Base y dimensión !l11
CAPÍTULO 4 • ESPACIOS VECTORIALES

n. Si U¡, U2, . . . , Um es un v'VAAIYH~V de m vectores li-

El sistema es uno de n ecuaciones en m c1, c2 , ••• , Teorema 3
AH'-"'-'1--''-'11'-<i'-'ª"'"0 en V, entonces m :::5 n.
cm. Y como m > n, el Teorema 1.7.1, expresa que el sistema posee un núme-
ro infinito de soluciones. En consecuencia, existen escalares c1, c2 , ••• , ·cm no Demostración Sea vi' v2 , ••• , vn una base de V. m > n, entonces, como en la demostra-
todos cero, tales que se satisface y por tanto, S 1 es dependiente. Esta con- ción del Teorema 2, encontrar constantes c1, c2 , ••• , cm, no todas nu-
tradicción demuestra que m :::5 n, y que al intercambiar los papeles de S 1 y de tales que se satisface la Ecuación Esto contradiría la lineal
es demostrar que n :::5 m y la demostración queda completa. 111 de los términos U¡· Así pues, m :::5 n. 111

Con este teorema estamos en condiciones de definir uno de los conceptos cen- vectorial V de dimensión finito. Entonces H
trales del lineal. es finito-dimensional y
Dimensión. Si el vectorial V posee una base la dimensión de V
es el número de vectores en la y V se llama espacio vectorial de dimensión
finita. De otra manera, V se denomina espacio vectorial de dimensión infinita.
Si V = {O}, entonces V se dice que es de dimensión cero.
Notación Se simboliza la dimensión de V como dim V. Demostración Sea dim V = n. de vectores en Hlinealmente un..... µ.-.,u ..... n.•U

te, lo es también en V. Por el Teorema 3, linealmente inde-

neio.m,enre en H, cuando contienen vectores. Así pues, Hes de dimensión
Observación. No hemos demostrado que todo espacio vectorial posee una ba-
finita. Más como una base en Hes un linealmente u ........... µ ..... u •..º"'ª
se. Esta difícil demostración aparece en la Sección 4.12. No necesitamos este
hecho para que tenga sentido la Definición 2, pues si V tiene una base finita, te, se ve que dim H :::5 n. 11
entonces V es finito-dimensional. En caso V es de dimensión infi-
El Teorema 4 tiene interesantes consecuencias. Dos de ellas se presentan
nita. Así pues, para demostrar que Ves de dimensión infinita, sólo basta pro-
bar que V no posee una base finita. Es posible lograr esto demostrando que continuación.
V contiene un número infinito de vectores linealmente independientes (ver el
~··~AAA·JA~ 7 más adelante). No es necesario constituir una base infinita para V.
de Entonces
también lo sería
1,v-·1..UJIHvU.ClclVA.l(CU,

~ AU}JA~ 7, esto no es así. Por tanto,

, ... 1] es de dimensión infinita.
una base,
Similarmente, como e que todo es diferencia-
dim!R" = n ble) entonces también 1] es infinito-dimensional. En

EJemolo 5 Por el 1 y el Problema 4.4.47, los {l, x, cons-

tituyen una base de Así pues dim Pn = n + 1.

En sea la matriz de m x n con el valor l en la ij, y con el

valor cero en las demás posiciones. Es fácil demostrar que A lj.. para i = 1 , 2 , el Teorema 4 para hallar todos los sut,es1Jac:10s . Sea
... , m = 1, 2, ... , n, forman una base de Mmn· Así pues, dimMmn = mn. H un de . Existen cuatro vvciu,o.u ......~ .... ...,, ..... ..,.
dim H = 2 y = 3. Si dim H =
vectores vp v 2 , v 3 linealmente mc1er:,enmt:mv;;:s IR 3 • Pero entonces v 1 ,
En el se vio que P no es generado por un finito de 3
forman una base de . Así que = IR • De que
polinomios. Por lo mismo, P no posee una base finita y es, por lo tanto, un
de es considerar que
espacio vectorial de dimensión infinita.
entonces H posee base
b, Sea x E H. Entonces :x = b, e) para
número real b, e) genera Si x = y, entonces x at, Y
3
bt, z = et. Esto re1Jre:se11ta la ecuación de una recta en IR que pasa por el ori-
Existen . . .u~'-""'JL' teoremas que expresan algo acerca de la dimensión de un
gen y tiene un vector direccional b,
espacio vectorial.
 4.6 • Base y dimensión !213
!21!2 CAPÍTULO 4 o ESPACIOS VECTORIALES

Supongamos ahora que dim H = 2 y sea v 1 = (a 1, b 1, c 1) y v2 = (a2 , b2 , c2)

una base de H. Si x = (x, y, z) E H, entonces existen números reales s, t tales
De modo que (-D es una Jáse de S y dim S = 1. Nótese que S es el conjunto
que x = sv 1 + tv 2 , o bien (x, y, z) = s(a 1, b 1, c 1) + t(a2 , b2 , c2). Por tanto
de vectores sobre la recta x = -t, Y = t, z = t.
x = sa 1 + ta 2
Ejemplo 1!1 Encontrar una base para el espacio solución S del sistema
y= sb 1 + tb 2 (7)
2x- y+3z=O
Z = SC1 + tC2
4x-2y+6z=O
Sea v3 = (a, (3, ~) = v1 X v2 • Por el Teorema 3.4.2, parte (vi), tenemos que -6x+3y-9z=O
v3 • v1 O y que v3 • v2 = O. Ahora determínese
Solución Reduciendo por filas o renglones igual que antes, resulta
ax+ (3y + yz =a (sa 1 + ta 2 ) + {3 (sb 1 + tb 2 ) + y(sc 1 + tc 2 )
= (aa 1 + (3b 1 + yc 1 )s + (aa 2 + (3b 2 + yc 2 )t 2 -1
4 -2
3
6
º)o :u<;~) (2o -1o 3o ºo)
1.3

= (V3 • V1)S + (v3 • Vz)t =o (

-6 3 -9 o o o o o
Así que si (x, y, z) EH, entonces ax + (3y + 'YZ = O, lo cual demuestra que lo cual da la ecuación única 2x - Y + 3z = O. S es un plano, Y por el Ejemplo
Hes un plano que pasa por el origen y tiene un vector normal v3 = v 1 X v2 •
Hemos demostrado que 3 , una base está dada por(~) y(~) , así que dim S = 2. Nótese que se ha

Los únicos subespacios propios de IR 3 son conjuntos de vectores demostrado que toda solución al sistema homogéneo puede escribirse como
sobre rectas y sobre planos que pasan por el origen.
c,(D+c{D
:=:(~r3(i):(~)ª:(;¡):ó(=~)
Ejemplo 10 Sea A una matriz de m X n y sea S = {x E !Rn; Ax = O}. Sean x 1 E S y x2 E
S; entonces A(x 1 + x2) = Ax 1 + Ax 2 = O + O = O y A(ax 1) = a(Ax¡) = Por ejemplo, si C¡
aO = O, así que Ses un subespacio de !R;n y dim S :5 n; S se denomina espa-
cio solución del sistema homogéneo Ax = O. También recibe el nombre de nú-
cleo (o kernel o espacio nulo).

Ejemplo 11 Encontrar una base (y su dimensión) del espacio solución S del sistema ho- Antes de terminar con esta sección, demostraremos un resul~ado muy útil
mogéneo para encontrar bases en un espacio vectorial arbitrario. Hemos visto que n.vec-
X+ 2y - Z Ü tores de !Rn linealmente independientes forman una base de !Rin. Esto es cierto
para cualquier espacio vectorial de dimensión finita.
2x y+ 3z =O

Solución Aquí A = G _~ -~). Como A es una matriz de 2 x 3, S es un subespacio Teorema 5 Cualesquiera n vectores linealmente independientes en un espacio vectorial V
de dimensión n, constituyen una base.
de IR 3 • Reduciendo, encontramos, en forma sucesiva, v los n vectores. Si generan V son una base. Si no lo hacen,
Demostración Sean V p V z, · · · ' n } • 'f
entonces existe un vector u E V tal que u É gen {v1, Vz, · ·:' Vn • E~to sigm l-
-~ -~ ~) 1 (~ -~ -~ ~) \ ea que los n + 1 vectores V¡, v2 , •.• , vm u son linealmente mdepend1entes. Pa-

(~ ~ =~ ~) 1
---> (1o o
1
1 º)o
-1
1
ra ver esto nótese que si
c 1V 1 + C2 V2 + · · ' + Cn Vn + Cn+1U = Ü (8)
= o pues s1· no fuese así, u podría escribirse como combinación
entonces Cn+ 1 ' d l
Entonces y = z y x = -z, así qne todas las soluciones son de la forma (-;} linea1 de v1 , Vz, .. . , vn al dividir entre Cn+I y poner todos los términos e a
214 CAPÍTULO 4 • ESPACIOS VECTORIALES
4.6 " Base y dimensión
suma, excepto u, al lado derecho de la ecuación. Pero si en+ 1 O, entonces
En los Problemas del 19 al 23 obtenga una base para el espacio solución del
(8) es sistema homogéneo indicado.,
C 1V1 + C2V 2 + · · · + Cn V n = Ü 19. x- y =O 20. x-2y =O 21. x-y-z=O
lo cual significa que c1 = c2 = · · · = en = O puesto que los términos V¡ son -2x+2y=O 3x + y= O 2x-y + z =O
linealmente independientes. Ahora, sea w = gen {v¡, V2, .•• 'vn, u}. Entonces 22. x-3y+ z=O 23. 2x-6y+4z=O
como todos los vectores puestos entre las llaves están en V, se tiene que W es un -2x +2y-3z =O -x+3y-2z=O
subespacio de V. Como v 1, v2 , . • . , vn, u son linealmente independientes 4x 8y+5z=O -3x +9y-6z =O
forman una base para W. Así pues, dim W = n + 1. Por el Teorema 4,
dim W ~ n. Esta contradicción demuestra que no existe u E V tal que u E 24. Det~rmine una base para D3, el espacio de las matrices diagonales de
es d1mD 3? X 3. ¿Cuál
gen {v 1, v 2 , ••• , Así pues, v 1, v2 , ••• , vn generan todo una
base de V. 111 25. ¿Cuál es dim Dn, el espacio de las matrices diagonales de n x n?

26. Sea Snn el espa~io vectorial de las matrices simétricas de n x n. Demuestre que
es un subespac10 de y que dim snn = In(n + 1))12.
27.
Supón~ase que V¡, V2, ... , vm son vectores linealmente independientes de un espacio
En los Problemas del 1 al 10, determine si el conjunto de vectores dado es una vectonal V de dimensión n, y m < n. Demuestre que el conjunto
base del espacio vectorial correspondiente. puede ser ampliado a una base de V. Esto es, que existen vectores v v~ ... '
2 2 V tales que {v f m + l • m + 2• · · · '
l. En P 2: l-x 2, x 2. En P 2: -3x, l+x , x -5 n I• V2, · · ·, orman una base. [Sugerencia: Ver la demostración
2 del Teorema 5.]
3. En P 2: x 2-l, x 2 -3 4. En P 3 : 1, l+x, l+x , l+x 3
5. En P 3 : 3, x -4x +6, x 2
3
28. Sea {v¡, vn} una base de V. Considérese que u = v u -
V2, · ·., +
V + V + 1 !• 2 - V¡ V2, u 3 =
:. 2 un= V¡ + V2 + ... + Vw Demuestre que
V3, ..• , u, t -
bien es una base de v. z, · · · ' am
29.
Pruebe que si {v¡i v2, ... , genera a V, entonces dim v :-: :; n. [Sugerencia· Utili-
ce el resultado del Problema 4.4.49.] ·
30. Sean H Y K subespacios de V tales que H ~ K y dim H = dim
2 que H = K. < 00
• Demuestre
9. H={(x, y)EfR : x+y =O}; (1, -1)
10. H={(x, y)EfR 2: x+y =O}; (1, -1), (-3, 3)
31. Sean H Y K subespacios de V y definase H + K = {h + k: E H y
E
H. Halle una base en [R 3 para el conjunto de vectores en el plano 2x - y - z = O. a. P:uebe que H + K es un subespacio de v.
12. Halle una base en [R 3 para el conjunto de vectores en el plano 3x - 2y + 6z = O. b. S1 H n K = entonces dim (H + K) = dim H + dim K.
13. Obtenga una base en IR 3 para el conjuPto de vectores en la recta x/2 = y 13 = zl 4.
14. Obtenga una base en [R 3 para el conjunto de vectores en la recta x = 3t, y = -2t,
z::::: t.
33. Demue~tre que ?os vectores v 1 y v 2 de IR 2 , con uno de sus extremos
15. Demuestre que los únicos subespacios propios de fR 2 son rectas que pasan por el son colmeales s1 y sólo si dim gen = 1.
origen.
4 34. Demuestre que tres vectores V¡, "2 y V3 en IR3' con uno de sus extremos en el
16. En fR , sea H = y, z, w): ax + by + cz + dw O}, en donde abcd-:/= O.
a. Demuestre que Hes un subespacio de IR4 . gen, son coplanares si y sólo si dim gen v , :-:::; 2.
2
b. Halle una base de H. 35. Pruebe que cualesquiera n vectores que generan un espacio n-dimensional
c. ¿Cuál es la dimensión de H?
m~n una ba~e de V. [Sugerencia: Demuestre que si los n vectores no son
* 17. En IW , un hiperplano es un subespacio de dimensión n - l. Si Hes un hiperplano te mdepend1entes, entonces dim v < n.] ~._.,,.,..,,,_ A ....

en IW , demuestre que
* 36 · una
Demuestre que todo subespacio de un espacio vectorial finito-dimensional posee
base.
H ={(xi, Xz, o •• 'x,J: a1X1 + a2X2 + ... + anxn =O}
en donde a 1, a 2 , ••• , an son números reales fijos, no todos iguales a cero. 37. Encuentre dos bases para !R 4 que contengan a los vectores (1 o
O) y (O, O,
Y no tengan otros vectores en común. ' '
5
18. En fR ', halle una base para el hiperplano 38. ¿Para qué valores del número real a constituyen una base de
lR 3 los
H ={(xi, X 2, x 3 , X4, x 5 ): 2x 1- 3x 2+ X3 + 4x4 - Xs =O} (a, 1, O), (1, O, a) y (1+a,1, a)?
216 CAPÍTULO 4 • ESPACIOS VECTORIALES 4.7 • Rango, nulidad, espacio de renglones y espacio de columnas de una matriz 211

Definición 2 Imagen (o espacio imagen) de una matriz. Sea A una matriz de m x n. Entonces
4.7 Rango, nulidad, espacio de la imagen de A, denotada por Imag A, está dada por
renglones y espacio de columnas
de una matriz Imag A= {yE!Jr: Ax=y para xE!Rn} (2)

En la Sección 4.4 se presentó la noción de independencia lineal. Demostramos

que si A es una matriz den x n, entonces los renglones y las columnas de A
forman conjuntos de vectores linealmente independientes si y sólo si det A :f. Teorema i Sea A una matriz de m x n, entonces ImagA es un subespacio de !Rm.
O. Sin embargo, si dei A = O, o si A no es cuadrada, entonces estos resultados Demostración Supongamos que y 1 y y 2 están en ImagA. Entonces existen vectores x1 , x2
no dicen nada acerca del número de renglones o columnas linealmente inde- en !Rn tales que y 1 = Ax 1, y 2 = Ax2 • Por lo tanto,
pendientes de A. En esta sección subsanaremos esta omisión. También se
demostrará como obtener una base para el espacio generado por un conjun-
to de vectores usando reducción por filas o renglones.
Sea A una matriz de m x n, y así que ay 1 y y 1 + y 2 están en ImagA. Del Teorema 4.3.1, se sigue que
Imag A es un subespacio de !Rm. 111

Definición 3 Rango de una matriz. Sea A una matriz de m x n. El rango de A, denotado por
p(A ), está dado por

Como se vio en el Ejemplo 4.6.10, NA es un subespacio de !Rn.

Definición 1 Núcleo (o kernel) y nulidad de una matriz. NA se llama núcleo (o kernel) de A, y p(A) dim ImagA
al número v (A) = dim NA se le denomina nulidad de A. Si NA contiene sólo
al vector cero, entonces v (A) = O. (NA se representa también por ker A, o
bien, por núclA.) Antes de exponer ejemplos, daremos dos definiciones y un teorema que faci-
litarán la determinación del rango.*

Ejemplo 1 Sea A G _~ ~).Entonces, como se vio en el Ejemplo 4. 6 .11, NA es- Definición 4 Espacios de renglones y de columnas de una matriz. Si A es una matriz de m x n,
sean {r 1 , r2 , ••• , rm} y {c 1, c2 , ••• , en} los conjuntos de renglones y de colum-

tá generado por (-D y v(A) = l.

nas de A, respectivamente. Entonces se define que

espacio de renglones de A (3)

~). De manera que por el Ejemplo 4.6.12,

-1
Ejemplo i Sea A = -2 y
3 -9

{(~Hm es una base de NA y v(A) 2.

espacio de columnas de A (4)

Nótese que RA es un subespacio de ~n y que CA lo es de ~m.

Hemos introducido una gran cantidad de notaciones en estas últimas partes.

Teorema 1 Sea A una matriz den x n. Entonces A es invertible si y sólo si v(A) = O.
Demostración Por el Teorema Resumen [Teorema 4.4.6, partes (i) y (ii)], A es invertible si
y sólo si el sistema homogéneo Ax = O posee solamente la solución trivial x =
O. De la Ecuación (1), esto significa que A es invertible si y sólo si NA = {O}.
Así pues, A es invertible si y sólo si v(A) = dim NA = O. 111
Detengámonos un momento a ilustrar estas ideas con un ejemplo.
* N. de R. T. En esta área matemática, sobre todo, conviene tener presente siempre que el térmi-
no español rango equivale exclusivamente a la palabra inglesa rank. La traducción errónea del in-
glés range como "rango" causaría aquí una grave confusión. De modo que range = imagen (en
este campo matemático) y rank = rango.
CAPÍTULO 4 • ESPACIOS VECTORIALES 4.7 • Rango, nulidad, espacio de renglones y espacio de columnas de una matriz

2 2+ 3) - ( -3) 7
X1 = - y 5 =s
Sea A Entonces A es una matriz de 2 x ·3. 5
y
i. El kernel o núcleo de A es 1 Como se vio en el

Ejemplo 1, NA gen {C Ax=

2
-1 ( =y

ii. La nulidad de es v(A) dim = l. iv. El rango de A es p(A) = dim

fü. La imagen de A es Imag A {y E IR 2 '.: Ax = y para x E Sea y = v. El de renglones de A es -1, Como
estos dos vectores son linealmente mctepern11e1ates, vemos que es un
(~:) en IR 2
• Entonces, si y E A, existe una x E ui 3 tal que Ax = y. SU1Jesoa1c10 bidimensional de IR 3 • Del 4.6.9 observamos que RA
es un que pasa por el
vi. El espacio de columnas de A es
Escribiendo x = , resulta

2
-1
ya que y siendo linealmente independientes, c011st1tmren una

o bien base de IR 2 .

En el Ejemplo 3, podemos observar que Imag A = = IR 2 y que dim

Reduciendo este sistema por obtenemos dim CA = dim Imag A = p(A) = 2. Esto no es una coincidencia.

-~
2 2 Teorema 3 Si A es una matriz de m x n, entonces
11 Yt
-1 1

5 Yz - = ImagA
i.
o ii. dim = dim = dim
2 -1
La demostración de este teorema no es difícil, pero sí laboriosa. La diferire-

e
Yt )
Y2 mos hasta el final de la sección.
-1
5

Así que si en forma resulta -1

-Yz tJe1moiro 4 Obtener una base de Imag A y determinar el rango de A -2
y 3
5
Solución Como r2 = 2r 1 y r 3 = -3r 1 , vemos que ) = l. Así pues, cualquier colum-
Esto es, para cada y (~:) E ~ 2 , existe un número infinito de vecto-
na de CA es una base de CA = ImagA. Por ejemplo{_:) es una base de
res x E IR 3 tales que Ax = y. Así pues, A = IR 2 . por

plo, que si y = , entonces, eligiendo x 3 = O elección más ImagA.

simple), tenemos
El siguiente teorema simplificará los cálculos.
 CAPÍTULO 4 " ESPACIOS VECTORIALES 4.7 • Rango, nulidad, espacio de renglones y espacio de columnas de una matriz

Teorema 4 Si A es equivalente por filas o renglones (o por columnas) a B, entonces RA Como B posee dos renglones independientes, p(B) = p(A) = 2 y
R 8 , p(A) = p(B) y v(A) = v(B). . RA = gen {(1, -1, 3), (O, 1, -1)}
Demostración Recordamos de la Definición 1.8.3, que A es equivalente a B por filas, si A
puede ser "reducida" a B por medio de operaciones elementales sobre filas.
La definición relativa a "equivalente por columnas" es similar. Supongamos
que C es la matriz obtenida al efectuar una operación por filas sobre A. De- El Teorema 4 es útil cuando queremos encontrar una base para el espacio
mostraremos primero que RA = Re. Como B se obtiene de A por medio de generado por un conjunto de vectores.
varias operaciones este tipo, nuestro primer resultado, aplicado varias ve-
ces, implicará que RA = R 8 •
Ejemplo 6 Encontrar una base para el espacio generado por los vectores
Caso 1:Intercambio de dos renglones de A. Entonces RA = Re porque los
renglones de A y de C son los mismos (sólo se escriben en un orden diferente).
Caso 2: Multiplicación del renglón i de A por e =fa O. Si los renglones de A son
{r¡, r2, ... ' f¡, ... ' rm}, entonces las filas de e son {r¡, f2, ... ' cr¡, ... 'rm}.
Obviamente, cr¡ = c(r¡) y r¡ = (1/ e )r¡. Así pues, cada renglón de C es un
Solución Escribimos los vectores como los renglones de una matriz A y reducimos lama-
múltiplo de un renglón de A, y viceversa. Esto significa que cada renglón de
triz a la forma escalonada por renglones. La matriz resultante tendrá el mismo
C está en el espacio generado por los renglones de A y viceversa. Tenemos que
espacio de renglones que A.

Caso 3: Multiplicación de la fila i de A por e =fa O, y su suma a la fila}. Ahora

los renglones de e son {r¡, f2, . . . ' f¡, . . . ' Cf¡ + rj, ... ' rnJ Aquí ( -~o ~ 4
-!)
-2
(~o ~ =~)
4 -2
-2 -4 6 o o o
r..J = (cr.l +. r .J.) - cr¡ l.
--,.-

de e
1

renglón j-ésimo renglón i-ésimo

de e
A23(-l)
~
(~ ~
o o
-3)o
-2 M2W (1oo 2o 1

de modo que cada renglón puede ser escrito como combinación lineal de los o o o o o
renglones de C, y viceversa. Tenemos, como antes,

Hemos demostrado que

y Re s; R A así que Re = R A

R 8 • De donde p(RA) = p(R 8 ). Finalmente, el

Así pues, una base para gen {v 1, v2 , v3 , v4} es
{(_ . Por ejemplo,

conjunto de soluciones de Ax = O no cambia ante operaciones elementales por

filas. En consecuencia, = N 8 , así que v(A) = v(B). 111

1 -1 El siguiente teorema proporciona la relación entre rango y nulidad.

5 Determinar el rango y el espacio de renglones de A = 2 o
-3 1 Teorema 5 Sea A una matriz de m x n. Entonces
Solución Reducimos por filas para obtener una matriz más simple:
-1 A,.,(-2) (1 -1
o
-3
~o
o
2
-4 -D
-1

(~
-1
A2,3(4) Demostración Suponemos que k = p (A) y que las primeras k columnas de A son linealmente

G -D 1
-4
1
o -D=B independientes. Sea C¡ (i > k) cualquier otra columna de A. Debido a que c1 ,
CAPÍTULO 4 ESPACIOS VECTORIALES 4.7 • Rango, nulidad, espacio de renglones y espacio de columnas de una matriz 223
... , ck forman una base de De manera que

Así pues, sumando -a 1c 1, -a2c2 , ••• , -akck en forma sucesiva a la i-ésima co- o
lumna de A, obtenemos una nueva matriz B de m x n con )y o
) cuya columna i es O. Así procedemos con todas las demás colum-
O=Fx=
nas de las y resultará la matriz
o
o

o
El determinante de la matriz del sistema homogéneo de k x k descrito es dis-
tinto de cero, puesto que los renglones de esta matriz son linealmente indepen-
) y v(D) v(A ). Con un posible rearreglo de los renglones
dientes. Así que la única solución al sistema es x 1 = x 2 = · · · = xk = O. Por
suponer que los primeros k renglones de D son ,..,r,,, .... ,,..,r""' .... lo tanto x posee la forma
se hace lo mismo con los renglones es, sumar
k filas a los últimos m k renglones) para obtener una nueva matriz:
Lo anterior significa que E k genera a NF de modo que v(F) = n - k = n -
p (F). Esto completa la demostración. 111

Ejemplo 1 Para A = G _~ -~)calculamos (en los Ejemplos 1 y 3) que p(A) 2y

F= que v(A) = 1; esto ilustra que p(A) + v(A) = n( = 3).

o -1
Ejemplo 8 Evaluar v(A) para A =
-3
o
~)
o o o Solución En el Ejemplo 5 encontramos que p(A) 2. Así que v(A) 3- 2 l.

en donde = p )y ). Es obvio ahora que si i > k, entonces

así que 1, ek+ 2 , . • . , es un linealmente inde-
Teorema 6 Sea A una matriz de n x n. Entonces A es invertible si y sólo si ) = n.
1-''"''·'"""""'H'""' de n - k vectores en Ahora demostraremos que genera
Sea el vector E con la forma Demostración Por el Teorema 1, A es invertible si y sólo si v(A) = O. Por el Teorema 5,
p(A) = n - v(A). Así, A es invertible si y sólo si p(A) = n - O = n. IJ

Ahora se mostrará la forma en que la noción de rango puede utilizarse para

resolver sistemas de ecuaciones lineales. De nuevo, consideramos el sistema de
X= m ecuaciones en n incógnitas
a11X1 + a12X2 + ... + a1nXn = bl
a21X1 + a22X2 + .. '+ a2nXn b2
(8)

* Recordemos que e¡ es el vector con un valor 1 en la posición i y con valores cero en el resto
de las posiciones.
224 CAPÍTULO 4 • ESPACIOS VECTORIALES
4.7 • Rango, nulidad, espacio de renglones y espacio de columnas de una matriz 225
el cual escribimos como Ax = b. Usamos el símbolo (A, b) para denotar la
Es fácil ver que las últimas tres columnas de la última matriz son linealmente
matriz aumentada m x (n + 1) obtenida (como en la Sección 1.6) al adjuntar
independientes, de modo que p (A, b) = 3 y no hay soluciones para el sistema.
a A el vector b.

Ejemplo 1O Determinar si el sistema

Teorema 1 El sistema Ax = b posee al menos una solución si y sólo si b E CA. Esto ocu-
rrirá si y sólo si A y la matriz aumentada (A, b) poseen el mismo rango. X 1 - X2 + 2X3 = 4
Demostración Si c 1 , c2 , ••• , en son las columnas de A, es posible expresar el sistema (8) como 2x 1 + x 2 - 3x 3 = -2
4x 1 - X2 + X3 =6
(9)
posee soluciones.
El sistema (9) poseerá una solución (al menos) si y sólo si b puede escribirse
como combinación lineal de las columnas de A. Esto es, para que exista solu-
ción, hay que tener b E CA. Si b E CA, entonces (A, b) posee el mismo núme-
ro de columnas linealmente independientes que A, de modo que A y (A, b) son Solución Sea A=(~ ~ ~ -~} Entonces detA = O, de manera que p(A) < 3.
el mismo rango. Si b fj: CA, entonces p (A, b) = p (A) + 1 y el sistema no tie-
ne solución. Esto completa la demostración. 1111 Como la primera columna no es múltiplo de la segunda, es claro que las prime-
ras dos columnas son linealmente independientes; así pues, p (A) = 2. Para
calcular p(A, b), reducimos por filas:

Ejemplo 9 Determinar si el sistema

2x 1 + 4x 2 + 6x 3 = 18
(~ -~ -~ -~) ~·(~ -~ -~ -1~)
4x 1 + 5x 2 + 6x 3 = 24 4 -1 1 6 o 3 -7 -10
Vemos que p (A, b) = 2 y existe una infinidad de soluciones del sistema. (Si
posee soluciones.
existiera sólo una, se tendría que det A :f:. O.)

Solución Se~ A =
cesiva,
(~2 ;
7
: ) . Reducimos por filas, para obtener, en forma su-
12 Los resultados de esta sección permiten mejorar nuestro Teorema Resumen -
visto por último en la Sección 4.4, página 195.

~G ~ D~c -~ -D Teorema 8 Teorema Resumen - Versión 6. Sea A una matriz den x n. Entonces son equi-
valentes los siguientes nueve enunciados. Esto es, si uno es cierto, todos los
demás se verifican.
2 3) ~:·~~=~~ (1
Mi(-!)
~012~01
(}

o 3 6 o o
Ü
-~) i. A es invertible.
ii. La única solución del sistema homogéneo Ax O es la solución trivial
(x = O).
Por tanto, p(A) = 2. Similarmente, reducimos (A, b) por filas y obtenemos m. El sistema Ax = b posee una única solución para todo n-vector b.
iv. A es equivalente por filas a la matriz identidad In den X n.
4 6
18) ' (1 2 3

e
M,(,-) v. A puede ser expresada como el producto de matrices elementales.
5 6 24 ~ 4 5 6 2:) vi. Los renglones (y las columnas) de A son linealmente independientes.
7 12 40 2 7 12 40 vii. det A :f:. O.
vfü. v(A) = O.

-1~)
A, ,{-4) ( 2 3
'Au(-2)
o ix. p(A) = n.
----? -3 -6
o 3 6 22 Más aún, si alguno de los enunciados falla, entonces para cada vector b E !Rn,
2 3 9) A,,{-2)
Ai,3(-3)
o 1 el sistema Ax b posee una infinidad de soluciones o ninguna. Tendrá una
infinidad de soluciones si y sólo si p(A) = p((A, b)).
G 1 2 4
3 6 22
----? 1
Go 2
o ID Concluiremos esta sección con una demostración del Teorema 3.
226 CAPÍTULO 4 • ESPACIOS VECTORIALES 4.7 • Rango, nulidad, espacio de renglones y espacio de columnas de una matriz 227
Demostración Primero hay que probar que CA = ImagA. Como antes, sea eJ el vector en o bien
del Teorema 3* !Rn con un 1 en la posición j y cero en las demás posiciones. Escribimos Á
en la forma

+···+ski (15)
A=

Entonces AeJ es la j-ésima columna de A. Así pues, cada columna de A está

en Imag A, de modo que Aquí S¡ (s¡¡, in . Sea ""i
S ¡2, . . . , S ) ..., el vector (:=.~:.). Entonces, como el pri-
CA s; ImagA (10) ami

Sea {y 1, Y2, ••• , Yk} una base de Imag A. Examinemos un vector de ellos, el mer miembro de (15) es la columna j de A, es posible escribir cada columna
Y¡, por ejemplo. Por definición de imagen existe un X¡ E !Rn tal que y¡ = Ax¡. de A como combinación lineal de ai, a 2 , . . . , ak, lo cual significa que «i. «2,
Pero {e 1, e2 , ••• , en} es una base de !Rn, así que existen constantes c1, c2 , • •• , (Xk generan CA y que
en tales que
(16)
(11)
Entonces,
Pero la Ecuación (16) se satisface para cualquier matriz A. En particular, se
Yi Ax¡= A(c1e1 + C2e2 + ... + cnen) = C1Ae1 + C2Ae2 + ... + cnAen (12) satisface para At. Pero CA1 = RA y = CA- Por tanto, de (16), dim :5
Pero Ae1 es laj-ésima columna de A, de modo que (12) muestra que y¡ puede dim R A1 , tenemos
expresarse como combinación lineal de las columnas de A. Por consiguiente, dimRA sdim CA. (17)
cada vector base en Imag A está en el espacio de columnas CA de A, de for-
ma que Combinando (16) y (17) se completa la demostración. 111
Imag A s; eA (13)
Combinando (10) y (13), vemos que ImagA = CA- Para completar la demos-
tración, hay que probar que si RA denota al espacio de renglones de A, enton-
Problemas
ces dim RA = dim CA- Denotamos los renglones de A por r 1, r 2 , ••• , rm, y sea
k = dim RA- Sea también S = {s 1, s2, ... , sk} una base de RA- Entonces, to-
do vector renglón de A puede expresarse como combinación lineal de los vec- En los Problemas del 1al15, obtenga el rango y la nulidad de la matriz indicada.
tores en S, y tenemos, para algunas constantes ªu• que:
-1
r1 = a11S1 + a12S2 + · · · + a1ksk 1.
G !) 2. G ~) 2
3
-6
(14)
-1 -1 2
4. 3 1 s. 6. -4
o -1 6
Ahora, la componente j de r¡ es ªu· Si ahora igualamos las componentes j de
-1 -1

~)
2 2 2
ambos miembros de (14),
7.
Go 1 4
6
!) 8.
o
4
6
9.
4

-1 -1 -1

(¡
2 2 2

¡) (-¡
1 o o 2 -4
11. 12.
JO. o 1 -2 5 2 -2 4

* Si el tiempo lo permite. o o -1 -1 3 -3 6
CAPÍTULO 4 • ESPACIOS VECTORIALES
4.8 • Rango y determinantes de submatrices (opcional)

( -~ -~ ~ ~) 37. Sea A una matriz de 5 x 7 con rango 5. Demuestre que el sistema lineal Ax =
b posee al menos una solución para cada vector-5b.
13.
4 o -2 1 * 38. Sean A y B matrices de m x n. Demuestre que si p(A) = p(B), entonces existen
3 -1 o 4 matrices invertibles C y D tales que B = CAD.
39. Si B = CAD, en donde C y D son invertibles, entonces pruebe que p(A) = p(B).
En los Problemas 16 a 22, obtenga una base para la imagen (o espacio imagen) 40. Suponiendo que cualesquiera k renglones de A son linealmente independientes, mien-
y el núcleo (o kernel) de la matriz indicada. tras que cualesquiera k + 1 renglones de A no lo son, pruebe entonces que p(A) =
16. La matriz del Problema 2. 17. La matriz del Problema 5. k.
18. La matriz del Problema 6. 19. La matriz del Problema 8.
41. Si A es una matriz den x n, demuestre que p(A) < n si y sólo si existe un vector
x 'E IR" tal que x =/= O y Ax = O.
20. La matriz del Problema 11. 21. La matriz del Problema 12.
42. Sea A una matriz de m X n. Si para cada y E IRm existe x E IR" tal que Ax =
22. La matriz del Problema 13.
y, demuestre que p(A) = m.

En los Problemas del 23 al 26 halle una base para el espacip generado por el
conjunto dado de vectores.

23. 4.8 Rango y determinantes de

submatrices (opcional)
(¡}(¡),(~'¡):(¡)
24. (1, -2, 3), (2, 1, 4), (3, -3, 3), (2, 1, O)
25.
En esta sección mostraremos cómo puede ser evaluado el rango de una matriz
1), (4, -2, 2, !), (7, -3, 3, -1)
mediante el cálculo de ciertos determinantes.
26.
Definición 1 Submatriz cuadrada de orden k.Sea A una matriz de m x n. La matriz obtenida
como la intersección de k renglones y k columnas de A se llama submatriz cua-
drada de orden k de A.
En los Problemas del 27 al 30 utilice el Teorema 7 para determinar si el sistema
indicado posee soluciones.
Ejemplo 1 Sea
27. X1+X2- X3=7 28. X1+X2- X3=7 3 -2
4x1-x2+5x 3 =4 4x1 -x 2 +5x 3 =4
6x1 + X2 + 3x 3 = 20
6
6x1+x 2+3x 3 =18
5
29. + X3 + X 4 = 2
X 1 - 2X2 30. X1 - 2X2 + X3 + X4 = 2
3x1 +2x 3-2x4 = -8 3x1 + 2x 3- 2x 4 = -8 i. Cada componente de A es una submatriz cuadrada de orden 1 de A.
4xz- X3- X 4 = 1 4X2 - X3 - X4 = 1 ii. La intersección de los renglones 1 y 3 y las columnas 3 y 4 es una subrna-
5x1 +3x3- x 4 =-3 5x1 +3x 3- X4= O triz cuadrada de orden 2:
31. Demostrar que el rango de una matriz diagonal es igual al número de componentes
no nulas en la diagonal.
(-~ ~)
32. Sea A una matriz de n x n triangular superior con ceros en la diagonal. Demuestre Existen dieciocho submatrices de orden 2. Otras dos son
que p(A)< n.
33. Demuestre que para cualquier matriz A, p(A)=p(At). G~) y
34. Demuestre que si A es una matriz de m x n y m < n, entonces, (a) p(A) :::; m renglones 1 y 2 renglones 1 y 3
y (b) v( A ) 2:: n - m. columnas l y 2 columnas 2 y 4

35. Sea A una matriz de m x n y sean By C matrices invertibles de m x m y den x n, iii. Existen cuatro subrnatrices cuadradas de orden 3. Éstas son

-2)
(! ~} G ~}
respectivamente. Demuestre que p(A) = p(BA) = p(AC). Esto es, el multiplicar 3 3 -2 -2
una matriz por una matriz invertible, no altera su rango.
36. Sean A Y B matrices de m x n y n x p, respectivamente. Demuestre que p(AB) :::;
mín (p(A), p(B)).
(! 6 ,
5
6
5
y
(: 6
5 D
 4.8 • Rango y determinantes de submatrices (opcional) 231
230 CAPÍTULO 4 • ESPACIOS VECTORIALES

Demostración Supongamos que p(A) = r. Entonces, por el Teorema 1, A posee un subdeter-

Definición 2 Subdeterminante de orden k. Sea A una matriz de m x n. Un subdeterminante minante no nulo de orden r. Sea E una submatriz cuadrada de A de orden
de orden k de A es el determinante de una submatriz cuadrada de orden k de A. (r + 1). Así, det E = O, pues entonces tendríamos que p(A) ~ k + 1 por el
Teorema 1. Recíprocamente, supóngase que A posee una submatriz cuadrada
E, de orden r, tal que det E =f. O y que además es cero todo subdeterminante
Ejemplo R Sea de orden r + l. Por el Teorema 1 de nuevo, p(A) ~ r, pero p(A) < r + 1
pues si suponemos que p(A) ~ r + 1, entonces A posee un subdeterminante
3
-2 6) 6 2 no nulo de orden r + 1, en contradicción con la hipótesis. Así pues, p(A)
k, y el teorema queda demostrado. 11
5 2
i. Cada componente de A es un subdeterminante de orden 1.
ii. Tres subdeterminantes de orden 2 son:
Ejemplo 3 Usar el Teorema 2 para encontrar el rango de cada matriz.

¡-~ ~I = I~ ~ I~ ~I º
-1
(~
2
~ -~)
-34, 1 = -8, y 2
= 5
(a) A= ( 4 (b) A= 1
fü. Dos subdeterminantes de orden 3 son: -3 -6 -3 7
1 3 2 3 -2 6 (a) A posee nueve subdeterminantes de orden 1. Los nueve subdeterminantes
Solución
3 6 = 28 y 6 2 =Ü
de A de orden 2 son:
4 5 5 2

Teorema 1 Sea A una matriz de m x n. Entonces

p(A) 2 k
si Y sólo si A posee un subdeterminante no nulo de orden k. Así pues p(A) = l.

(b) \ ~ ~\= -5 #O. De modo que p(A) ;:,, 2. Pero

Demostración Supongamos que p(A) ~ k. Del Teorema 4. 7 .3 sabemos que
esto
dim RA = dim CA= dim Imag A= p(A) 2 k 2 -1 4
2 -f 1 2 4
Así pues, A posee al menos k renglones independientes. Sea B una matriz de 3 1 5 3 1 2 1 5 2
k X n cuyos renglones son k renglones de A linealmente independientes. En- -3 7 -3 -6 -3 7 -6
tonces k = p(B) = dim C8 ; esto es, B tiene k columnas linealmente indepen-
dientes. Si E es la matriz de k x k cuyas columnas son k columnas linealmente En consecuencia, p(A) = 2.
independientes de B, entonces E es una submatriz de A de orden k. Como las
columnas de E son linealmente independientes, entonces det E =f. O. Hemos de-
mostrado que A posee un subdeterminante de orden k distinto de cero.
Supóngase ahora que A posee un subdeterminante no nulo de orden k· esto Problemas 4.8
es, que A tiene una submatriz cuadrada E de orden k tal que det E =f. O. E~ton­
ces los renglones de E son linealmente independientes. Cada uno de los renglo- En los Problemas del 1 al 1O~ utilizar el Teorema 2 para determinar el rango
nes de E está contenido en un renglón de A. Así, los rénglones correspondientes de la matriz indicada.

Teorema 2
de A son linealmente independientes. Como A tiene al menos k renglones li-
nealmente independientes, concluimos que p (A) ~ k. 11
Sea A una matriz de m x n, entonces,
1. (
-6
2 -~) 2.G ~) 3. G -1
o
~) 4
· eº ~)
3 o

(~ ~)
o 3 -1

p(A) = r > Osi y sólo si A posee al menos un subdeterminante no nulo

de orden r y cada subdeterminante de orden r + 1 es cero.
5. ( 3 o1
1 1
2)
4
o
6.
(~ ;) 7.
1
o
4
2
 4.9 • Cambio de base 233
232 CAPÍTULO 4 • ESPACIOS VECTORIALES

~) = %G) - ~(- D= ~v
8.u
(2)
u1 iv 2
1 2 1) 2 ~ 1 4
= ( 1 -

10
· ( 4 3 6 . y
7 4 4
02 = (~) = !G) + !(- ~) = !v, + !v, (3)

U. Sea A una matriz de m x n y supóngase que todo subdeterminante de orden k es

cero. Demuestre que todo subdeterminante de orden k + 1 eS' cero. Esto es,

(u,)., =( _t) y

4. 9 Cambio de base Entonces de (2) y (3)

X= X1U1 + XzUz ~ X1(~v1 - ~Vz) + X2(!v1 + tvz)

En IR 2 se formuló cualquier vector en términos de la base estándar (o canóni-
= (~x 1 + !x 2)v 1 + ( -~X1 + !xz)Vz
ca) i = (~), j = (~). En !Rn ya definimos la base estándar {e 1 , e2 , ••• , en}, Por consiguiente, de (1),
c 1 = ~X1 + !x2
y en Pn, la base estándar con {l, x, x 2 , ••• , xn}. Estas bases son las más usa- c 2 = -~x 1 + !x2
das puesto que es muy fácil trabajar con ellas. Sin embargo, en ciertas ocasio- o bien
nes son convenientes otras bases. Obviamente, existen muchas bases que
podemos escoger puesto que en un espacio vectorial de dimensión n, cualquier
conjunto den vectores linealmente independientes forma una base. En esta sec-
(x)., = (~:) = (_t:: : t:) = ( _t
ción veremos cómo cambiar de una base a otra calculando cierta matriz.
Empezamos con un ejemplo muy simple. Sean u = ( ~) y u 2 = ( ~) . Entonces
Por ejemplo, si (x)s, = ( _ !) . entonces
1

B 1 = {u 1, u2} es la base estándar en i;!'. Sean v 1 = G) y v2 = ( - ~). Como (x)., = ( _t t)( _!) = ( _ ,;)

v 1 y v2 son linealmente independientes (puesto que v 1 no es un múltiplo de v2),

B2 = {v 1, v2} es una segunda base en !R 2 • Sea x =
ta notación significa que
(xx 1

2
) un vector en !R 2 • Es- Verificación
2
5V 1 -
13
s-V 2 = 2
5
( 1)
-
u (-
5
12) -- (Je5 +
%_
u) = ( 3.) (l) (º)
5
26 _ 4
= 3
Ü
- 4
1
3 5

X= ( : : ) = x,(~) + x,(~) = X¡U¡ + x,u,.

Esto es, x se exprese en términos de los vectores en la base B 1 • Para destacar
esto, se escribe
La matriz A = ( _¡ !) se llama matriz de transición de B 1 a B2, y hemos de-

mostrado que (4)

(x)., = (::)
Como B 2 es otra base de IR 2 , existen escalares c 1 y c2 tales que Se puede generalizar fácilmente este ejemplo, pero_¡Jrirnero necesita}~º:s ª;:a_~
pliar la notación. Sean B1 = {u¡, Uz, ... ' un} y B2 - {v¡, Vz, ... , Vn
(1)
ses para un espacio vectorial real V den dimensiones. Sea x E V. Entonces x
Una vez encontrados estos escalares, se tiene se puede expresar en términos de ambas bases:
(5)

y (6)
X = C ¡V 1 + C2V 2 + ... + Cn V n
pára indicar que ahora x está expresado en términos de los vectores en B 2 • Para
encontrar los números c 1 y c2 , escribimos la base anterior (u 1 y u 2 ) en térmi- en donde las b¡ Y las C¡ son números reales. Entonces escribirnos (x)s1 =
nos de los vectores de la nueva base (v 1 y v2 ). Es fácil verificar que
 4.9 • Cambio de base 235
234 CAPÍTULO 4 • ESPACIOS VECTORIALES

Utilizamos la representación de x dáda en (5) y (6):

bl)
b2 .
Demostración

de (5)
( ~' para denotar la representación de x en términos de la base B,. Esto
X 1= b1U1 + b2U2 + · · · + bnun
de (7)
no se presta a confusión porque los(cc~c::ne)ficientes b, en (5) son únicos por el 4_ b1(a11V1 + a21V2 + '· · + an1Vn) + b2(a12V1 + a22V2 +.'' + an2Vn)

Teorema 4.6.1. Asimismo, (x) 82 tiene un significado semejante.

Supóngase que W¡ = G¡U¡ + G2U2 + ... + anun y W2 = b¡U¡ + b2U2 + ... +

b 11 uw Entonces W 1 + w2 + (a 1 + b 1 )u 1 + (a 2 + b2 )u 2 + · · · + (a 11 + b 11 )u 11 ,
de modo que de (6) (11)
(w1 + W2h1 = (w1)s1 + (w2h1 ~ C1V1 + C2V2 + · · · + CnVn
En consecuencia,
Es decir, con la nueva notación se pueden sumar vectores como se suman en
IR 11 • Además, resulta sencillo demostrar que
a(w) 81 = (aw) 81 c1)de (lll)(a 11 b1+ + ··· +
G12b2 ª1nbn)

Ahora bien, como B 2 es una base, cada u1 en se puede escribir como una e:' = a ;b + a 2 ~b 2 + · · · + a '.b,
21 1 2

combinación lineal de las V¡. Por lo tanto, existe un sólo conjunto de escala- (
res ªu· ª21• .. . , anj tal que para}= 1, 2, ... , n Cn an1b1 + Gn2b2 + ''. + Gnnbn

e
(7) ª12

= ª22
o bien ª:1

ª1j
an1 an2

(u)B2 = : (8)
Antes de presentar más ejemplos, demostraremos un teorema que es muy útil
(
anj para los cálculos.

Si A es la matriz de transición de a B 2 , entonces A- 1 es la matriz de transi-

Teorema~
Mat~iz detransición. La matriz A den x n, cuyas columnas están dadas por (8), dónde aB 1•
recibe el nombre de matriz de transición de la base a la base Esto es,
Demostración Sea C la matriz de transición de B 2 a B 1 • Entonces, de (10), se tiene que
ª12 a13
(13)
ª22 ª23
(x)s 1 = C(x)s 2
A= (9)
a(x)s , y sustituyendo lo anterior en (13), resulta
1
an2 an3 ann (14)
i
(x)s 1 = CA(x)s 1
(un)B2
Se deja como ejercicio (vea el Problema 39) demostrar que (14) puede ser váli-
da para todo x en V sólo si CA = l. Por consiguiente, del Teorema 1.8.8, C =
Teorema 1 Sean B1 Y B2 bases para un espacio vectorial V. Sea A la matriz de transición y el teorema queda demostrado. 111
de B1 a B 2. Entonces, para todo x E V,
Observación. Este teorema facilita en especial hallar la matriz de transición de
la base estándar B 1 = {e 1 , e2 , ••• , en} en !Rn a cualquier otra base en !Rn. Sea
B2 = {V 1• V2• ... ' Vn} cualquier otra base y sea e la matriz cuyas columnas son
los vectores v 1, v2 , ••• , vw Entonces Ces la matriz de transición de B2 a B1
236 CAPÍTULO 4 • ESPACIOS VECTORIALES 4.9 • Cambio de base 237

puesto que cada vector V¡ ya está expresado en términos de la base canónica Como comprobación, nótese que
o estándar. Por ejemplo,

Ejemplo~ En P 2 la base estándar es B 1 = {1, x, x 2 }. En consecuencia, otra base es B 2 =

Por lo tanto, la matriz de transición de B 1 a B 2 es c-1. {4x - 1, 2x 2 - x, 3x 2 + 3}. Si p = a 0 + a 1x + a 2x 2 , escriba p en términos
de los polinomios en B 2 •
Procedimiento para encontrar la matriz de transición de una base estándar Solución Verifiquemos primero que B 2 es una base. Si c 1 ( 4x - 1) + c2 (2x 2 - x) +
a una base B2 = {v1, V2, ... vn} c3 (3x 2 + 3) = O para todo x, entonces, ordenando los términos obtenemos
i. Escribir la matriz C cuyas columnas son v 1, v2 , ••• , vn- (-c1+3c3)1 + (4c 1- c 2)x + (2c 2 + 3c3)x 2 =O
ii. Calcular C- 1 • Ésta es la matriz de transición requerida.
Pero, al ser {l, x, x 2} un conjunto linealmente independiente, debemos tener que
-c 1 +3c 3 =0
4c 1 - c2 =O

Ejemplo 1 En ~ 3 sean B, = {i, j, k} y B2 = fü}(-l){D} Si x = (jE~ 3 , es- -1

2c2 +3c 3 =O
o 3
criba x en términos de los vectores en B 2 • El determinante de este. sistema homogéneo es 4 --:--1 O = 27 -::PO, lo cual

1 3 o
o 2 3
Solución Verifiquemos que B 2 es una base. Esto es evidente ya que O -1 1 = 8 *O. significa que c 1 = c2 = c3 = O es la única solución. Además (4x - l)s 1
2 o -2
(-~} (2x 2
- x)., = (-D· y (3 + 3x'ls, = W· Por lo tanto,
= G). = G). = G}
C=n -~ n
Dado que u, u, y u, vemos inmediatamente que la

matriz de transición, C, de B 2 a B 1 está dada por

3
es la matriz de B 2 a B 1, de modo que
-1
o
Consecuentemente, del Teorema 2, la matriz de transición A de B 1 a B 2 es A = e- 1
= 2\ -
-3
1~
6 123)
-3
(
2 1
6 0

A=C-t=tG :ª
-2
6 -D es la matriz de transición de B 1 a B 2 • Como (a 0 + a 1x + a 2x 2 )s 1 = (
tiene que 21
), se

Por ejemplo, si(x) 8 , = (- ~), entonces 6 3)(ªº)

-3 12 ª1
2 1 ª2
6
-2
6
 4.9 • Cambio de base 239
238 CAPÍTULO 4 • ESPACIOS VECTORIALES

y
Por ejemplo, si p(x) = 5x 2 - 3x + 4, entonces

-3 (7)4 B2 =
1 (
26 -10
14 1)( 3) = ( i~)
-10 -1 -~~
(5x2 - 3x + 4h2 = l7 ( -1~ Esto es
¡comprobar!
o bien
verificar esto
(7)4 l 41 (2)4 - 20(- 5)3
26 26

5x 2 - 3x -f- 4 = - ~ ~(4x - 1) + H{2x 2 - x) + fü3x 2 + 3)

Ejemplo 3 Sean B, = WH- ~)} Y B2 = { (~)f ~)} dos bases en ~ 2

• Si (x) 8 , =
Usando la notación de esta sección podemos obtener una forma simple de
determinar si un conjunto de vectores en un espacio vectorial de dimensión fi-
nita es linealmente dependiente o independiente.
(::), escribir x en términos de los vectores en B,.
una base para el espacio vectorial V de dimensión n.
Teorema 3 Sea B !v 1,v 2 , •••
Solución Este, P.roblema es un poco más difícil porque ninguna de las bases es la base 1

Supongamos que
canomca. Hay que escribir los vectores de B 1 como combinaciones lineales de
los vectores de B2. Esto es, se tienen que hallar constantes a11, a2¡, a 12, a22, t a-
les que
a11)
ª21'. , (x2h 1 = (ª12)
'.
(ªln)
' · · · ' (xnh1 = ª21
ª22
'.
( ªn1 an2 ann

Esto lleva a los sistemas siguientes: ª11 a12 '.' 'aln)

ª2.2 • •. a~n
2a11 - 5a21 = 3
y
2a 12 - 5a 22 = 2
Sea A= ~''
4a 12 + 3a 2 2 = - 1
(
anl an2 . . . ann

Las soluciones son a 11 = i13, a21 -_ s ª12

-13, = l6, y ª22 = -¡53. Por tanto, entonces x 1,x 2 , ••• ,x, son linealmente independientes si y sólo si det A* O.
1

A = 14
2~( -10 -10
1) Demostración Denotemos con a 1,a 2 , ••• ,a las columnas de A. Supongamos que
11

y (15)

Entonces, al usar la suma definida anteriormente en esta sección, se puede

escribir (15) como
(16)
en base canónica

Si por ejemplo, sea x l C). Entonces

La Ecuación ( 16) da dos representaciones del vector cero en V en términos de
los vectores base en B 1, y ya que la representación en términos de los vectores
base es única (Teorema 4.6.1) concluimQs que
(17)

de donde, en donde el cero del lado derecho es el vector cero en lR". Esto demuestra el
teorema, puesto que la Ecuación (17) involucra las columnas de A que son li-
nealmente independientes si y sólo si el det A* O. M
 4.9 • Cambio de base 241
240 CAPÍTULO 4 • ESPACIOS VECTORIALES

Ejemplo 4 En P 2 , determine si los polinomios 3 - x, 2 + x 2 y 4 + 5.x - 2x2 son lineal-

mente independientes o dependientes.
10. G} G} (~· en donde adf * O.

~). (2 + x')•,
2
En los Problemas del 11 al 13 escriba el polinomio a 0 + a 1x + a2X en P2 en
2
Solución Usando la base B 1 = {!, x, x }, tenemos que (3 - x)s, = (-
términos de la base dada.
2
2
º)
G)Y (4 + 5x -.2x')•, = U} Entonces, detA = -~ ~ -~
n. 1,x-l,x 2-l
14. En M
22
escriba la matriz e-~)
12. 6,2+3x,3+4x+5x 13. x+l,x-l,x (-l
en términos de la base { (_ ~ ~). ! ¡ •

-23 =I= O, de donde concluimos que los polinomios dados son independientes. (_~ ~). (~ -!)}
15. En p escriba el polinomio 2x3 - 3x 2 + 5x - 6 en términos de los polinomios
3 2 3
base 1, 1 + x, x + x 2 , x + x ·
Ejemplo S En M 22 , determine si las matrices G 2) (-1 3) (2 -1) , Y(1 4) son li- 16. En p escriba el polinomio 4x2 - x + 5 en términos de los polinomios base 1, 1 -
6 ' -1 1 , o 1 4 9 3
3
2
X, ( 1 - (1 -
G} G)}
X) , X) •
nealmente independientes o dependientes.
17. En a;i: 2 supongamos que (x) 8 , = ( _ ~} donde B 1 = { Escriba x en tér-

Solución Usando la base estándar B 1 = { (~ ~). (~ ~), G~), (~ ~)} se obtiene

minos de la base B, = {G} (_~)}
1 -1 2 1 2 7

detA=
2 3 -1 4
=O
18. En ~2 , (x)., = ( _ ~). en donde
B1
=
{( ) ( )}
-5 ' 3 '
Escriba x en términos de

3 -1 o 4
6 1 1 9 B, = { ( _~)f~)}
de tal forma q~e las matrices son dependientes. Note que det A = O, porque
el cuarto renglon de A es la suma de los primeros tres renglones. Observemos
también que
19. En u;i:', (x)., = (-1), en donde B 1 {(-i).( _:), G)}· Escriba x en térmi-

2)-1(-1
6 -1 nos de 8 2 = {CH- (!)}
que muestra la dependencia lineal de las cuatro matrices.
en donde B = {1 - x, 3x, x 2 x - 1}. Escriba x en términos
1

de B 2 = {3 - 1 + X, X + x 2}.
Problemas 4.9
En tos Problemas del 21 al 28 use el Teorema 2 para determinar si el
de vectores dado es linealmente dependiente o independiente.
En los Problemas del 1 al 5 escriba (;)ElR 2
en términos de la base dada.
21. En P2: 2+3x+5x2, l-2x+x2, -l+6x2
2
P 2 : -3+x 2, 2-x+4x ,4+2x
l. G).(J 2
· C). (J 3
• GH-!) 4
• C~)t~)
22.
23.
24.
En
En
En
P2: x+4x2,-2+2x,2+x+12x2
2
P 2: -2+4x-2x ,3+x,6+8x 2
5. (;} (~} en donde ad - be i= O. 25. En P 3 : l+x ,-1--3x+4x 2 +5x ,2+5x-6x ,4+6x+3x
2 3 3

En los Problemas del 6 al 10 escriba (~)E~' en términos de la base dada. 26. En M22: (23 º)4 , (-37 -2),
l
(-11 -3º), (11 2)
-5 -5

(12 -3)4 ' (15 4)O ' (-1-1 6)3 ' (º3 º)O
ó. CH~}(~) 7
. (~}O O U} CHD 8
.
27. En Mz2:

28. Ern Mz2:

a º) (b
(O O ' O
(d e), (~ h), en donde acfk i= O.
f O k J
CAPÍTULO 4 • ESPACIOS VECTORIALES 4. 1O • Bases orto normales y proyecciones en~ n 243
29. En Pn, sean P1, P2, ... , Pn+ 1, n + 1 polinomios tales que p¡(O) = O para ¡ = 1, 2, Definición 1 Conjunto ortonormal en ~n. El conjunto de vectores S = {u1, u2, ... , ud en ¡¡;gn
... , n + l. Muestre que estos polinomios son linealmente dependientes. · es un conjunto ortonormal si
* D 30. En el Problema 29 suponga que pFl = O para i = 1, 2, ... , n + 1 y para alguna
ital que 1 ::::; i ::::; n, donde PFl denota laj-ésima derivada de p¡. Muestre que estos
polinomios son linealmente dependientes en Pn.
31. En Mmn sean A1, A1, ... , Amn mn matrices tales que en la posición 1, 1 tienen el
número cero. Muestre que estas matrices son linealmente dependientes.
* 32. Suponga que se giran los ejes x y y un ángulo e (medido en grados o radianes) en
sentido contrario a las manecillas del reloj. Esto nos da nuevos ejes a los que denota-
Si solamente se satisface la Ecuación ( 1), el conjunto se llama ortogonal.
remos con (x', y'). ¿Cuáles son las coordenadas x y y de los vectores i y j de la base
girada? Dado que trabajaremos ampliamente con el producto escalar en esta sección,
recordemos algunos resultados básicos (vea el Teorema 1.5.1). Sin hacer men-
33. Muestre que la matriz de "cambio de coordenadas" del Problema 32 está dada por
ción de ellos de manera explícita, usaremos estos resultados en el resto de esta
A _1 = ( cos O seno). sección.
-seno cose Si u, v y w están en !Rn y si ex es un número real, entonces
34. Si, en los Problemas 32 y 33, e = n/6 = 30°, escriba el vector (- 4 ) en términos u.·v=v·u (3)
de los nuevos ejes coordenados x' y y'. 3
2 (u+v)·w=u.·w+v·w (4)
35. Si e = ?r/4 = 45º, escriba el vector ( ) en términos de los nuevos ejes coor-
denados. _- 7 u.· (v+w) =u· v+u · w
36. Si e= 2?r/3 = 120º, escriba (~) en términos de los nuevos ejes coordenados. (cm)· v= a(u · v) (6)
u· (av)=a(u ·v) (7)
37. SeaC = (cu)unamatrizn X ninvertibleyseaB 1 = {v 1,v2 , ••• ,vn}unabasepara
el espacio vectorial V. Sea
Definición !l Norma o longitud de un vector. Veamos otra definición útil.

C¡¡)
_ C21 (C12)
C22. (CC21,,,) Si v E ~n entonces la norma o longitud de v, denotada como 1v1 está dada por
C1 - , , C2 = ' ... , Cn = .
(
c.: 1
B¡ C~2 B 1
C,:,, B¡

Muestre que B 2 = {c 1, c2 , ••• , en} es una base para V.

38. Sean B 1 Y B2 , dos bases para el espacio vectorial V de dimensión n y sea e la matriz
de transición de B 1 a B 2 • Muestre que c- 1 es la matriz de transición de B a B •
2 1 Nota. Si v = (x 1 , x 2 , ••• , xn), entonces v v = x[ + x'f + · · · + x~. Esto
39. Demuestre que (x)n 1 = CA(x) 81 para todo x en un espacio vectorial Vsi y sólo si CA = significa que
l. [Sugerencia: Sea X¡ el i-ésimo vector de la base B 1• Entonces (x;) 8 tiene un 1 en
la i-ésima posición y cero en todas las demás. ¿Qué puede decirse cte CA(x;) ?] v ·v;:::O y v ·v=O si y sólo si v = O
81
De tal forma que podemos extraer raíz cuadrada en (8) y obtenemos

1 ortonormales y
proyecciones en
En !Rn ya vimos que n vectores linealmente independientes constituyen una ba-
se. La base más usada es la base estándar E le ,e,, ... ,e !. Estos vectores Sea v=(x,y)E!R 2 . Entonces !vi= .Jx 2 +y 2 es simplemente la definición
1
11
tienen dos propiedades usual de longitud de un vector en el plano (vea la Ecuación 3 .1.1).

i. ei • ei =O si i i= J Ejemplo i Si v = (x, y, z) E [R 3 entonces !vi= .Jx 2 + y2 + z 2 como en la Sección 3 .3.

ii. e¡ · t\ = 1
244 CAPÍTULO 4 • ESPACIOS VECTORIALES 4.1 O • Bases orto normales y proyecciones en~ n 245

Ejemplo 3 Si v = (2, - 1,3,4, -6) E IR 5 , entonces lvl =:;:.J 4+1+9+16 + 36 = .J66.

Paso 2. Sea
(13)
Ahora podemos enunciar la Definición 1 de la siguiente manera:
Entonces v;. u 1 = v2 • u 1 -(v2 • u 1 )(u 1 • u 1 ) = v2 • u 1 - v2 • u 1 =O, de tal for-
ma que v{ es ortogonal a u 1 • Además por el Teorema 1, u 1 y v; son linealmente
Un conjunto de vectores es ortonormal si cualquier par de esos vecto- independientes, y por el Problema 21, v{ *O.
res es ortogonal y cada uno tiene longitud 1.
Paso 3. Sea
(14)
Es relativamente fácil trabajar con conjuntos ortonormales. En el Capítulo
5 veremos un ejemplo de esto. Ahora demostraremos que cualquier conjunto claramente 1u 1,u 2 I es un conjunto ortonormal.
ortogonal finito de vectores distintos de cero es linealmente independiente.
Supongamos ahora que los vectores u 1,u 2 , • • • ,uk (k<m) ya han sido cons-
truidos y que forman un conjunto ortonormal. Mostraremos cómo construir
Teorema 1 Si S= !v 1,v 2 , • • • ,vd es un conjunto ortogonal de vectores no nulos, entonces
S es linealmente independiente.
Paso 4. Sea
Demostración Supongamos que eiV1 + e2v2 + ... +en vn =O. Entonces para i = 1, 2, ... ' k,
Vk+l = Vk+l -(vk+l • U1)U1 -(vk+l • U2)U2 - ..• -(vk+l • uk)uk (15)
O O·v¡=(c 1v 1 +e 2v 2 + ·· · +e¡V¡+ .. · +envn)·v¡
Entonces, para i = 1,2, ... ,k,
e 1 (v 1 • v¡)+e 2(v2 · v¡)+ · · · +e¡(V¡ ·V¡)+··· +en(vn · vJ
Vk+l • U¡ = Vk+l • U¡ (vk+l • U1)(U1 • u¡)-(vk+l . U2)(U2. u¡)
=el Ü + e2Ü + ' ' ' +e¡ lv¡ 2 + · · ·+en Ü =e¡ lv¡
2
1 1

· · · -(vk+l • u¡)(u¡ ·U¡)-··· -(vk+1 • uk)(uk ·u¡)

Puesto que V¡=I= Opor hipótesis, lv¡ 2 > Oy tenemos que C¡ =O. Como esto es cier-
1

to para i = 1, 2, ... , k, la demostración está completa. 11 Pero ui · U¡ =O si ji= i y U¡ U¡ = l. Así

Veamos ahora que cualquier base en IRn puede ser "convertida" a una base
ortonormal. El método que se describe a continuación se conoce como el pro- Por lo tanto {u 1, u 2 , ••• , uk, v~+d es un conjunto ortogonal y linealmente in-·
ceso de ortonormalización de Gram-Schmidt. * dependiente. Además vk+1 i= O.

Paso s. Sea uk+i = vk:+iflvk:+il · Claramente {u 1, u 2 , ••• , uk, uk+ 1} es un con-

Teorema i Proceso de ortonormalización de Gram-Schmidt. Sea H un subespacio de dimensión
junto ortonormal y así continuamos este proceso hasta que k + 1 = m; con
m de IR n. Entonces H tiene una base orto normal. t
esto completamos la demostración. 11

Demostración Sea S = {v 1,v 2 , • • • ,v ml una base para H. Demostraremos el teorema constru-

yendo una base ortonormal a partir de los vectores de S. Antes de dar los pasos
3
para esta construcción, notemos que un conjunto de vectores linealmente inde- Ejemplo 4 Encontrar una base ortonormal para el conjunto de vectores en IR que están
pendiente no contiene al vector cero (vea el Problema 21).
Paso 1. Sea
(12)
sobre el plano ~= fü} 2x y+ 3z =o}
Solución Tal y como vimos en el Ejemplo 4.6.3 una base para este subespacio de dimen-

* Jürgen Pederson Gram (1850-1916) fue un actuario danés que estuvo muy interesado en la cien-
cia metrológica. Erhardt Schmidt (1876-1959) fue un matemático alemán.
t Notemos que H puede ser IR" en este teorema. Esto es, IR" tiene una base ortonormal.
sión dos es v1 = G) y v2 = G} Entonces 1• 11= Y 01 = •1/l•1I =
246 CAPÍTULO 4 • ESPACIOS VEOOR!ALES 4.1 O • Bases ortonormales y proyecciones en [R$ n 241

1/j5)
(2/f . Para continuar, definimos
1 -11I6) (1) (1/2) (-1/6) ( 2;3)
1/./6 = o - 1/2 - 1/6 = -2/3
( 21./6 1 o 2/6 2/3

=m-(6/JS{~~?) =(D-(1~~) =e~;:) Finalmente lv~I = .Jlj = 2/../3, de tal forma que u = J32(-~;~) = (- ~;1).
3
2/3 1;.J"3
Así, la base ortonormal es {(~;1z), (- ~;~), (- ~;~)]· Como en el ejem-
Finalmente tenemos 1v;1 = ·h0/25 = J7o/5, de tal forma que u 2 = v;/ 1v;1 =

(5/Jfó)(-~;~) =(-~;~')·Así la base ortonormal es {(~'.1s), (-~;~)11. 0 21J6

plo anterior, este resultado debe comprobarse.
1/../3

1 s;.J7'0 o s;.J70 J
Para verificar esta solución, notemos (i) los vectores son ortogonales, (ii) cada
uno tiene longitud 1 y (iii) cada uno satisface a 2x - y + 3z = O. Definimos ahora una clase nueva de matrices que será muy útil en los últimos
capítulos.
Podemos ver geométricamente lo que estamos haciendo aquí. Pri-
Observación.
mero notemos que
Definición 3 Matriz ortogonal. Se dice que una matriz Q de tamaño n x n es ortogonal si
Q es invertible y

Pero, de las Definiciones 3.2.4 (en IR 2) y 3.3.3 (en !R 3), [(v 2 • v1 )/lv 1 12 ]v 1 es la
proyección de v2 sobre v1• Además de la Figura 3.13, el vector v; = v2 -
proyv 1v2 es un vector ortogonal a v 1 •
Según el siguiente teorer:rn no es muy difícil encontrar matrices ortogonales.
De esta forma podemos ver que el proceso que hemos descrito aquí es, en cier-
to sentido, una generalización de la noción de proyección en IR 2 y IR 3 •
Teorema 3 Una matriz Q de tamaño n x n es ortogonal si y sólo si las columnas de Q forman
una base ortonormal para !RYl.

e
Ejemplo 5 Construya una base ortonormal en [R 3 a partir de la base !v 1, v2 , v3 l = Demostración Sea
ª12

lCWHm O= ª21
. ª22

ª~1 ª~2
ª'")
a2n

ª~"
1;J2)
(
e
ª21
Solución Tenemos que lv 1 1 ..fi., de tal forma que u 1 = 1/'/;' . Entonces
Entonces Q' = ª:2 ª22
ª"')
an2

=(º)~ -J21(1/.J2)
1/:- =(º)~ -(1/2)
...
ª~"
(v2 • u,)u, 1~2 =(-1/2)
1112 Sea B = (b¡i) = QtQ, Entonces
a1n a;n

bii = a1¡a1j + a2ia2i + ... + aniani = C¡ • Ci (17)

Como lv~I = fü.

-1/2) (-1;.J6)
lu2l = J2f3 ( 1/21 2;J6
1/J6 . Continuando, tenemos
= donde e¡ denota la i-ésima columna de Q. Si las columnas de Q son ortonor-
males, entonces
248 CAPÍTULO 4 • ESPACIOS VECTORIALES 4.1 O • Bases ortonormales y proyecciones en {Jgn 249

b 11.. = {º1 si
si
i=I= j
i=j
(18)
Ejemplo 7 Encuentre proy, v, donde .- es el plano { (;} 2x - y + 3z = O} y asimismo
Es decir, B l. Recíprocamente, si Q 1 = Q- entonces B = !, de donde (18) se sa-
~}
1
,

tisface y ( 17) muestra que las columnas de Q son ortonormales. Esto completa la v es el vector (-
demostración. 111

Solución Del Ejemplo 4, una base ortonormal para"' es u 1 = (~;[s) y

(~;1z), (- ~;~), (- ~:1) forman una base

(-~~~).
Ejemplo 6 Del Ejemplo 5, los vectores
o 21J6 11../3 Entonces
1/J2 -11J6 11J3') 5¡.J?Q

(-D ·(~;fs) J(~;fsH (-D ·n;:)r~;:)

ortonormal en IR 3 . Así, la matriz O= 1/J2 l/J6 -1/J3 es una matriz
(
o 21J6 11.JI
ortogonal. Para verificar esto, notemos que proy, v=[

11J2
oto= ( -11J6 l!J2
11J6 21J6
o ) (l/J2
11J2
-11J6 1/~)
11-16 -11./3 = (1
o
o º~)
1
=-
1(1/J5)
J5 21:; 4 -6/J?O.) (-1/5) ( 24/70) ( 1/7)
3¡J70 = -2/5 + -12/70 = -4/7
11J3 -11-h l!J3 o 21J6 11J3 ,o o (
5¡J70. o -20/70 -2/7

En la demostración del Teorema 2 definimos v; = v2 - (v 2 · u 1)u 1• Pero,

El concepto de proyección nos da una forma sencilla de escribir un vector en
como ya hemos visto, (v 2 • u 1)u 1 = proyu 1v2 (ya que 1u 1 l2 = 1). Ahora exten-
!Rn en términos de una base ortonormal.
damos el concepto de proyección sobre un vector a la' de proyección sobre un
subespacio.
Teorema 5 Sea B = 1u 1, u2 , ••• , u l una base orto normal de !Rn y sea v E !Rn. Entonces
Definición 4 Proyección ortogonal. Sea H un subespacio de !Rn con base ortonormal
11

{u1, u 2 , ••• , ud. Si v E IR\ entonces la proyección ortogonal de v sobre H,

denotada por proyJ¡v, está dada por
(21) 1

Es decir, v = pro y !Rn v.

Notemos qve proyH VE H. Demostración Dado que Bes una base, podemos escribir v de manera única como v c u + 1 1

C2U2+ . . . + cnun' Entonces

Antes de dar ejemplos debemos saber que está bien definida una proyección
ortogonal. Con esto queremos decir que la definición de proyHv es indepen-
diente de la base ortonormal elegida en H. El siguiente teorema toma en cuenta puesto que los U¡ son ortonormales. Como esto es válido para i 1, 2, ... '
este problema. Su demostra~ión se difiere hacia el final de esta sección. n, hemos terminado la demostración. 111

Teorema 4 Sea H un subespacio de lRn. Supóngase que H tiene dos bases ortonormales,
{u¡, U2, ... , ud Y {w 1, w 2, ... , wk}. Sea v un vector en lRn. Entonces
(v · u 1 )u 1 + (v · u 2 )u 2 + · · · + (v · uk)uk
(20)
Ejemplo 8 Escriba el vector (-!) en n;¡ 3 en términos de la base ortonormal que sigue:
~so CAPÍTULO 4 • ESPACIOS VECTORIALES
4. 1O • Bases ortonormales y proyecciones en !R?n 251

fi(!;Ji), (- ~;~), (- ~;~)}.

1o
1

21J6 11J3
fü. Sea {u 1, u 2 , ••• , ud una base ortonormal de H. Por el resultado del Pro-
blema 4.6.27 esta base puede extenderse a una base B para !Rn: B =
{u¡, U2, . . . , uk, Vk+l' ... , vn}. Por medio del proceso de Gram-Schmidt,
podemos transformar Ben una base ortonormal para !Rn. Tal y como vi-

.(-11J&)](-11J6)
mos en la demostración del Teorema 2, la base u 1, u 2 , ••• , uk ya ortonor-

Solución (-!)= [(-D-C;fi) ](!;{i) 11"6 11J6

21./6 2116
mal, no cambia y de esta manera obtenemos la base ortonormal B 1 =
{u 1, u2 , ••• , uk, uk+ 1, ••• , un}. Para completar la demostración sólo nos
falta mostrar que {uk+ 1 , ••• , un} es una base para H _L y dado que los

+[(-D ·(-~;1)
son independientes, debemos mostrar que generan H _[_. Sea x E HJ_; en-
tonces, por el Teorema 5,
x = (x · u 1 )u 1 + (x • + · · · + (x ·
+(x · + · · · +(x ·
Podemos usar el Teorema 5 para demostrar el Teorema 4.
Pero O para i = 1, 2, ... , k, puesto que x E Hj_ y u¡ E H. Por
Demostración del Elíjanse vectores Uk+ ¡, Uk+2' ... ' Un tales que U2, . . . 'uk, Uk+ ¡, . . ' un} lo tanto, · uk+ 1 + ··· + Esto muestra que
Teorema 4 sea una base ortonormal de !Rn (esto siempre se puede efectuar como se hizo {uk+ 1, ••• , un} es una base para HJ_, lo cual implica que dim HJ_ = n - k.
en el Teorema 2). Entonces B 2 = {w1, W2, ... , wk, uk+I• uk+2• · · ·, lll
también es una base ortonormal de !W. Para ver esto, primero nótese que
Los
ninguno de los vectores uk+ 1 , uk+ 2, ... , un puede ser escrito como combina-
ción lineal de w 1, w2 , ••• , wk porque ninguno de estos vectores está en H
y{ w1, w2 , ••• , es una base de H. Por lo tanto, es una base de !Rn por-
Teorema 1 Teorema de la proyección. Sea H un subespacio de IR n y sea v E !Rn. Entonces
que contiene n vectores linealmente independientes. La ortonormalidad de los existe un único par de vectores h y p tal que h E H, p E H J_ y
vectores en se sigue de la manera en que fueron elegidos es ortogonal
a todo vector en H para toda j = 1, 2, ... , n - k). Sea v un vector en !Rn.
Entonces por el Teorema 5 (Ecuación 21)),
p = proyHv +
v = (v • + (v • u 2)u 2 + · · · + (v • uk)uk + (v · uk + 1)uk + 1 + · · · + (v • u,)un
= (v · w 1 )w 1 + (v · w2 )w 2 + · · · + (v · + (v · uk+ 1 + · · · + (v · uJun

(22) Sean h = proyHv y p = v - h. Por la Definición 4, se tiene que h E H. Mos-

Demostración
La Ecuación (20) se deduce de la Ecuación lll traremos ahora que p E HJ_. Sea {u 1 , u 2 , una base para H. Entonces
h = (v • +(v. + ... + (v·
Detuuc:1on 5 Sea H un de !Rn. Entonces el complemen-
'-'"'"'IJ .... ...,•v
to ortogonal de H, denotado por ' está dado por Sea x un vector en H. Existen constantes a 1, a 2, ... , ak tales que
X= IX1U1 + 1X2U2 + ... + akuk
Entonces
p. X = (v h). X = [V (v. U1)U1 - (v. U2)U2 ... - (v.

6 Si H es un subespacio de IR n, entonces: + IX2U2 + ... +

i. HJ_ es un subespacio de !Rn. O, i #j
ii. HnHJ_={O}. Como u 1 • uj = { i = j , es fácil verificar que el producto escalar en
1
iii. dim HJ_ = n-dim H. está dado por '

Demostración i. Si x y y están en H, entonces (x + y) · h = x · h + y · h

si h E p·x = ·u¡)= O
O+O=Oy h) = a(x · h) = O, por lo que H es un subespacio. 1

ii. Si x E H n H _[_, entonces x · x = O, por lo que x = O, lo cual muestra Así pues p · x O para todo x E H, lo que significa que p E Hj_. Para de-
que H n H_L
mostrar que p = proy H1v extendemos {u 1, u 2 , . . . , a una base ortonormal
 4. 1O • Bases orto normales y proyecciones en {R<, n 253
CAPÍTULO 4 ° ESPACIOS ~ECTORIALES

El primer término en la derecha está en HJ_ y el segundo en H, por lo que

de lRn: {u 1, u 2, ... , uk, uk+ 1, ... , un}· Entonces {uk+ 1, ... , un} es una base de H.L y,.
por el Teorema 5, (26)
Ahora,
v = (v · u 1)u 1 + (v · u 2)u2 + · · · + (v · uk)uk + (v · uk+1)Uk+1
llv - hll 2 = (v - h) · (v - h)
+ · · · + (v • Un)Un
= [(v -proyHv) + (proyHv - h)] · [(v - proyHv) + (proy,Hv - h)]
= pro y H v +pro y w v (por la Definición 4)
= llv - proyHvll 2 + 2(v - proyHv) · (proyHv - h) + llproy Hv -
Esto demuestra la Ecuación (23). Para demostrar la unicidad, supongamos = llv -proyHvll 2 + llproyHv - hll 2
que v=h 1-p 1 =h 2 -p 2 , donde hp h 2 EH y p 1, p 2 EHJ_. Entonces h
Pero llprojHv - hll 2 >O porque h-::/:- proyHv. Así que
p 1-p 2 • Pero h 1-h 2 EH y p 1-p 2 EHJ_, por lo que h 1- h 2·E HnHJ_=
{O}. Por lo tanto, h 1- O y p 1-p 2 =0, lo que completa la demostración. 111 llv - hll 2 > llv -proyHvll 2
o bien
llv - hll > llv -proyHvll 111

Ejemplo 9 En ~ 3 sea ,,. ={ G} 2x-y +3z =O l Escriba el vector (-~) como h +p

Problemas 4.1 O
donde h E H y p E H J_.
En los Problemas del 1 al l 3 construya una base ortonormal para el espacio
1;J5) (-6/J76)]
~~~
vectorial dado o subespacio.
Solución Una base ortonormal para" es B 1 = {(2/:5 , y, del Ejemplo 7,
1. En
2
empezando con los vectores base
[R , ~) G), (-
2
2. H={(x, y)EfR : x+y =O} 3. H={(x, y)ElR 2: ax+by =O}
1/7) E n. Entonces
-4/7
proy'lT v =
(
-2/7
4. En fR
2
, empezando con (:), G). en donde ad - be=/= O.

p=v-h=(-D-UH-~)
5. 7T={(x,y,z): 2x-y-z=O} 6. 7T={(x,y,z): 3x-2y+6z=O}
7. L={(x,y,z): x/2=y/3=z/4}
8. L ={(x, y, z): x = 3t, y= -2t, z = t; t real}
9. H={(x,y,z,w)ElR 4 : 2x-y+3z-w=O}
Notemos que p · h =O. 10. 7T={(x,y,z): ax+by+cz=O}, endondeabc=l=O.
11. L = {(x, y, z): x/a = y/b = z/c} z/c}, en donde abe=/= O.
5
12. H = {(x1, X2, X3, X4, Xs) E [R : 2x1 -3x2 + X3 +4x 4 - x 5 =O}
13. H es el espacio solución de
Concluimos esta sección con un resultado de gran utilidad en estadística y
x-3y+ z=O
otras áreas de aplicación. Daremos una aplicación de una versión extendida
de este teorema en la siguiente sección. -2x+2y-3z =O
4x-8y+5z =O
Teorema 8 Teorema de aproximación en norma. Sea H un subespacio de !Rn y v un vector de * 14. Encuentre una base ortonormal en [R
4
que incluya a los vectores
1R 11 • Entonces en H proyHv es la mejor aproximación a v en el siguiente senti-
do: Si h es cualquier otro vector en H, entonces -1/2)
1/2
u=
2
( 1/2
-1/2
[Sugerencia: Encuentre primero dos vectores v3 y v4 para completar la base.]
2/3 1/3 2/3)
Demostración Del Teorema 7, v - proyHvEH.l. Escribimos 15. Muestre que Q = 1/3 2/3 -2/3 es una matriz ortogonal.
2/3 1/3
V - h =
 4. 11 • Espacios de producto interior y proyecciones
254 CAPÍTULO 4 • ESPACIOS VECTORIALES

16. Muestre que si P y Q son matrices ortogonales de n x n entonces PQ es ortogonal. 33. Demuestre la desigualdad de Cauchy-Schwartz en fRn: 1u · v 1 :::; 1u1 1v ¡.
17. Verifique el resultado del Problema 16 con [Sugerencia: Si u = O o bien v = O, el resultado es obvio. Si u =I= O y v =I= O, utilice
el hecho de que lu/lul - v/lvl 1 2:: O y lu!lul + v/lvl 1 2:: O.]
p = (1/J2 -1/J2) y Q - ( 1/3 -.JS/3) 34. Muestre que, en el Problema 33, 1u · v 1 = 1u1 1v1 si y sólo si u = Av para algún
11J2 11.Ji .J8¡3 1/3 número real A.

18. Muestre que si Q es una matriz ortogonal y simétrica, entonces Q 2 l.

35. Usando el resultado del Problema 34, demuestre que si lu + vi = lul + lvl, en-
tonces u y v son linealmente dependientes.
19. Muestre que si Q es ortogonal, entonces det Q = ±l.
•
20. Muestre que para cualquier número real t, la matriz A=
(sen t cos
es ortogonal.
t) 36. Usando el resultado del Problema 33, demuestre la desigualdad del triángulo:
lu + vi :::; lul + lvl. [Sugerencia: Desarrolle 1 + vj 2 .]
cos t -sent
21. Sea {v 1, v2, ... , vk} un conjunto de vectores en !Rn linealmente independiente. De- 37. Suponga que x 1, x 2 , . . . , xk son vectores en !Rn (no todos nulos) y que
muestre que v¡ =I= O para i 1, 2, ... , k. [Sugerencia: Si v¡ = O, es fácil encontrar lx1 +x2+ · · · + + ... +
constantes c 1, c2 , ..• , ck con e¡ =I= O tales que c 1v1 + c2v2 + · · · + ckvk =O.]
Muestre que dim gen x2 , ••• , = 1. [Sugerencia: Utilice los resultados de
los Problemas 35 y 36.]
En los Problemas del 22 al 28 se dan un subespacio H y un vector v. (a) En- 38, Sea una base ortonormal en IRn y sea v un vector en IR". Demues-
cuentre proy Hv; (b) encuentre una base ortonormal para H·\ (e) escriba v co- tre que lvl = lv · u 1 12 + lv · u 2 12 + · · · + lv · unl 2 • Esta igualdad se conoce
mo h + p, en donde h EH y p E H.l_. como la igualdad de Parseval en IR".
39. Muestre que para cualquier subespacio H de IR", (H.L).L =H.
22. H={C)EIR 2: x+y=O};v=(-~) 40. Sean H 1 y H 2 dos subespacios de IR" y supongamos que Ht = H~. Muestre que
H 1 = H 2•
23. H= { (;)EIR 2: ax+by =O}; v= (:) Si H 1 y H 2 son subespacios de a:r, muestre que si H 1 e H 2 , entonces e Ht.
42. Demuestre el teorema de Pitágoras generalizado: Sean u y v dos vectores en ~n

24. H { (}~': v=(:} v~O

ax+by+cz=O};
con u J_ v. Entonces
llu + +

25. H={(}~': 3x-2y+6z=+v=CD

26. H={ (}~': x/2=y/3=z/+ v=(D elementales
vu.11.,uuu'"" los números (resu-

H={ (}~': 2x-y+3z-w=+ v= (-¡)

r"''~'""' .. "
además, tener cierta familiaridad con el
año de Cálculo.
27. fRn obtener
un escalar. se conoce también como , . ..,,..,.,.,,,.,,,""' interior. Antes de

H=l(}~':
presentar una definición
de dos vectores es un
28. x Y y w=3+v{¡) el .... ~ ..--..r1,,,.,,+
casos, en la "" 'ª
1
'"""'"
1

29. Sean u 1 y u2 dos vectores ortonormales en IR". Muestre que dos vectores es un número com1J1e10: puesto que todo número real es un núme-
30. Si u 1,u 2 , ••• ,u 11 son ortonormales, muestre que esta definición al caso real también.

lu1 +u2 + · · · +un 2= lu1l 2+ !u2l 2+ · · · +!un 2=

1 1 n ue~tm11c1on 1 V se conoce como
interior si para par de vectores u en V,
31. Encuentre una condición para los números a y b tal que{(:), e:)} Y { ( ~), (-:)} existe un único número llamado el interior de y
formen bases ortonormales en IR 2
•
v, tal que si v y w están en V y si a E C, entonces

32. Muestre que cualquier base ortonormal en IR 2

tiene una de las formas de las bases v)?: O
dadas en el Problema 31. ii. v) =O si y sólo si v = O.
256 CAPÍTULO 4 19 ESPACIOS VECTORIALES 4.11 • Espacios de producto interior y proyecciones

m. (u, v+w) =(u, v)+(u, w) (i) (f,f) = S~ dt ;::: O. Esto se obtiene de un teorema básico de cálcu-
iv. (u+v,w)=(u,w)+(v,w) lo que establece que si/ E C[a,b],f;::: Oen[a,b],y S~f(t)dt = O,enton-
v. (u, v) = (v, u) cesf = Oen [a, b]. Esto demuestra (i) y (ü). Las condiciones (iii) a (vii) resultan
vi. (crn, v) = a(u, v) de propiedades elementales de las integrales definidas.
vii. (u, av) = a(u, v)
La barra en las condiciones ( v) y ( vii) denota el conjugado complejo. 0
Ejemplo 5 Sea f(t) = t 2 E C[O, 1] y g(t) = (4- t) E C[O, 1]. Entonces

Nota. Si (u, v) es real, entonces (u, v) = (u, v) y podemos quitar la barra

en ( v). g) = r (4-
t2 t) dt = r(4t 2
- dt = (43t 3
- ~) =
4
1
1

o
13
12
Ejemplo 1 n:r es un espacio con producto interior con (u, v) = u · v. Las condiciones
(iii-viii) están contenidas en el Teorema 1.5.1. Las condiciones (i) y (ii) se in-
cluyen en el resultado (4.10.9). Definición i Sea V un espacio con producto interior y supongamos que u y v están en V.
Entonces:
Ejemplo R En el Ejemplo 4.2.13 definimos el espacio C". Sean x = (x 1 , x 2 , ••• , xn) y
i. u y v son ortogonales si (u, = O.
y (y 1, y 2 , ••• , Yn) dos elementos de C". (Recuerde que esto significa que
ii. La norma de u, denotada por está dada por
los X¡ y los y¡ son números complejos.) Ahora definimos

+ '· · +XnYn

Nota. La Ecuación (3) tiene sentido en virtud de que (u, u) ;::: O.

Para mostrar que la Ecuación (1) define un producto interior necesitamos saber
algunas propiedades de los números complejos. Si éstas no son conocidas, con-
sulte el Apéndice 2. Para ( i): Ejemplo 6 En C 2 los vectores (3, -i) y (2, 6i) son ortogonales puesto que
2 2 2
(x, x) = X1X1 + X2X2 + · · · + XnXn = lx11 + lx2l + · · · + lxn 1 ((3, -i), (2, 6i)) = 3. 2+ (-i)(6i) = 6 + (-i)(-6i) = 6-6 =o
De esta manera se satisfacen (i) y (ii), puesto que 1X¡1 es un número real. Las
condiciones (iii) y (iv) se deducen del hecho de que z 1(z 2 + Z 3 ) = Z1Z2 + Z1Z3 También j(3, -i)I = ,J3 · 3 + (-i)(i) = ./10.
para los números complejos cualesquiera ~ 2 y z3 • La condición ( v) resulta
z
de que z;z;- = z1z2 y 1 = z1 de modo que x 1 Y1 =X 1 Y 1 • La condición (vi) es ob- 0
Ejemplo 7 En C[0,27r] las funciones sen t y cos t son ortogonales puesto que
via. Para (vii): (u, av) = (av, u) = (a::v, ü) = a(v, ü) = a(u, v). Aquí usa-
mos (vi) y (v). 2
71" 1 f. 271" cos 2t 271" ¡
(sent, cos t) = f.o sent cos t dt =- sen 2t dt = - - -
2 o
=O
4 o
Ejemplo 3 En C 3 sea X = (1 + i, -3, 4 - 3i) y y = (2 - i, -i, 2 + i). Entonces También
!sentl = (sent, sent) 112
(x, y)= (1 + i)(2- i) + (-3)(-i) + (4- 3i)(2 + i)
271" 2 ] 1/2
= (1 + i)(2 + i)+ (-3)(i) + (4- 3i)(2- i) = [f.
0
sen t dt
= (1+3i)-3i + (5- lOi) = 6- lOi
=
f.
1 271"
[ 2 o (1 cos 2t) dt
] 1/2

o Ejemplo 4

(f. g) =

Veamos ahora que esto es un producto interior.

r
Supongamos que a < b; sea V= C [a, b] y definamos

f(t)g(t) dt (2)
=

=h
[Ht-se~ 2t) \J 12
CAPÍTULO 4 ESPACIOS VECTORIALES
4.11 Espacios de producto interior y proyecciones

Si observamos las demostraciones de los Teoremas 4.10.1 y 10.2, veremos 1/2

que no usamos el hecho de que V = !Rn. Estos teoremas son válidos en cual- ·
con interior V, y los enunciaremos de dar uha
definición.

cotimmto ortonorma!. El de vectores es un or- orto normal

tonormal en si
O para i=

y =1 En C infinito

Si S= senx, cos x, cos

con un 1 1
sennx, cos

es resulta
y linealmente
transformarse en un
del proceso de Gram-Schmidt ..
de dimensión
f
Jo
2'7T

sen cos dx= r~ mx sen = I cos cos dx=O.

Para demostrar una de éstas, notamos que

I
I
2'1T 27T
sen mx cos nx dx = + +
una base ortonormal para l . o 2 o
1
2

=O

lx

lo
escalar
V, entonces
E

y por pro y Hv, está dada por

1/2
 4. 11 • Espacios de producto interior y proyecciones 261
260 CAPÍTULO 4 • ESPACIOS VECTORIALES

Las ·demostraciones de los teoremas siguientes son idénticas a sus contrapar- p O 1 es un subespacio de dimensión finita de C[O, 1], podemos hablar
o Ejemplo 10 Como 2 [ ' ]f . f C[O l] Si f(x) =ex, por ejemplo, calculemos proyP2[0,ue.X:
tes en lR'n demostradas en la Sección 4.10.
de proyp2[0,1J si E ' · {l ./3(lx - l) J5( 6 x2-6x + 1)} es una base or-
Puesto que! u1,u2, · · · ,u:il , ·'
Teorema 3 Sea H un subespacio de un espacio V finito-dimensional con producto interior. tonormal en P 2 [0, 1) por el Ejemplo 8, tenemos
Suponga que H tiene dos bases ortonormales {u 1, u2 , ••• , uk} y {w 1, w2 , ••• , wk}. x =(ex 1)1 +(ex -i3(2x -1))-i3(2x -1)
Sea v E V. Entonces proy p2[0,1J e ' '
2
+(ex, J5(6x 2 -6x + l))J5(6x -6x + 1)
1 l Jl 1 x 2eXdx=e-2, obte-
Xd -1 Y J0
Teniendo en cuenta que So exdx=e- ' _Q xe x- ' 2 _
nemos(ex, l)=e-1, (eX,../3(2x-1))=.J3(3-e) Y (eX,J°5(6x -6x+l))-
Detinícic:m 5 Sea Hun subespacio de un espacio V con producto in-
terior. Entonces el complemento ortogonal de H, denotado por H J_ está dado por J5(7e-19). Finalmente,
proy P2[0,l] ex =(e -1) + J°3(3 - e )J°3(2X -1)
+J5(7 e -19)(J°5)(6x 2 -6x+1)
=(e-1)+(9-3e)(2x-1)
5(7e -19)(6x 2 -6x + 1)
2
= 1.01+0.85x + 0.84x
Teorema 4 Si H es un subespacio de un espacio V con producto interior, entonces

i. H .i es un subespacio de V.
ii. H n H.i = . · , d l t orema de aproximación en
Concluimos esta sección con una ap licac1on e e
iii. dim H J_ = n - dim H si dim V = n < oo.
norma.
· ¡· · d ado n ·Cuál
Teorema 5 Teorema de la Sea H un subespacio finito-dimensional de un espa- Sea f E C[a, b]. Se desea aproximar fmediante un p~ momio e gr . l.
cio V con producto interior. Entonces, existe un único par de vectores h y p Aproximación
olinomio es el que logra esto con el menor error.
tales que hEH, pEHJ_, y cuadrática media p Para poder contestar la pregunta hay que definir lo que entenderemos por
de una función error. Existen muchos modos distintos de definir error. Damos tres de ellos a
continua
continuación:
error máximo= máx f(x) - g(x)\ para x E [a, b]
1

error por área= J:lf(x) - g(x)ldx (11)

donde h = proyHv.
Si V es finito-dimensional, p = proy HJ_ v.
error cuadrático medio = J: 1f (x l - g(x l 2
1 dx
(12)

Observación. Si se examina con cuidado la demostración del Teorema 4.10.7

se advertirá que (8) es válida aun si V es infinito-dimensional. La única dife-
rencia es que, en este caso, es de dimensión infinita (pues Hes de dimen- 2 3 2

sión finita), y así proy HJ_ v no está definida. 0

Ejemplo 11 Sea¡(x) = x2 y g(x) = x 3 en [O, 1]. Sobre [O, l], x 2: x así que lx
x2 - x 3 • Entonces
Teorema 6 Teorema de en norma. Sea H un subespacio finito-dimensional de , · , (x2 - x3) Para calcular este error, se evalúa
un espacio V con producto interior, y sea v un vector en V. Entonces, en H i. error max1mo = max · _ = 2/3.
dld ( 2 _ x3) = 2x - 3x2 = x(2 - 3x) = O cuando x - 0 Y x
proy Hv es la mejor aproximación a v en el sentido siguiente: Si h es cualquier El e~ro~ máximo ocurre cuando x = 2/3 y vale [ (2/3)2 - (2/3)3] = 419 -
otro elemento de H, entonces
8/27 = 4/27 ~ 0.148. 4 1 / 1/12
ii. error por área= g (x2 - x3)dx = (x3 /3 - x /4)\o = - 14= ~
0.083. Esto se representa en la Figura 4.3
CAPÍTULO 4 ° ESPACIOS VECTORIALES
4.11 Espacios de producto interior y proyecciones

y x2
y= x2

Denotemos con Dn al conjunto de matrices diagonales de x n con componentes

reales, con las operaciones matriciales usuales. Si A y B están en Dn, definamos

error por área

Figura 4.3 Demuestre que Dn es un espacio con producto interior.
2. Si A E D"' demuestre que 1 = 1 si y sólo si
3. Encuentre una base ortonormal para Dw
4. Realice la determinación de una base ortonormal para empezando
y x3

(~ y B =
o
m. error cuadrático medio
J6 - 2x 5
+ 5. En C 2 , encuentre una base ortonormal empezando con base
+ ~ 0.00952 (2 - i, 3 + 2i).
6. Encuentre una base ortonormal para P 3 [0,
O 7. Encuentre una base orto normal para obtenga
nocen como polinomios normalizados de
8. Encuentre una base ortonormal para b], <b.
9. Si es una matriz n x n, la traza de denotada con tr A, es la suma
de los componentes de la diagonal de A: tr A = a 11 + a22 + · · · + anw Mnn•
definamos (A, B) = tr (AB 1). Demuestre que con este producto interior, Mnn
un espacio con producto interior.
2
10. Si A E Mnm muestre que es la suma de los cuadrados de los elementos A.
[Nota: Aquí IA 1 = (A, A no detA.]
Para todo número entero nnl::1T1!'1A
Encuentre una base ortonormal para M 22 •
-el espacio de polinomios de
n definidos en 1:iUClt:Sj::>aCJl0 llHHIJ-Ulmt~IlSJlOna! de C
12. Podemos pensar en el plano complejo como un espacio vectorial sobre los
Paraj E e teniendo por base a los vectores 1, z a + ib y w = definamos
(z, w) = ac + bd. Muestre que esto es un producto interior y que lzl es mag-
2 nitud usual de un número complejo.
1// Pn/1 =
Sean a, by e tres reales distintos. p yq y definamos (p,
p (a )q (a) + p ( b )q ( b) + p (e )q (e).
Demuestre que (p, es un producto interior en
dt = error cuadrático medio
¿Es (p, q) = p(a)q(a) p(b)q(b) producto interior?
Así que por el Teorema 6,
En lR 2 , si sea (x, Yh = Y1 + Muestre

es un producto interior

15. Con el producto interior del Problema 14, calcule I*

2
En lR , sea (x, y) = x 1 y 1 - X 2 Yz. ¿Es éste un producto interior? ¿Por qué?
17. Sea V un espacio con producto ·interior. Demuestre que 1(u, v) 1 ::::; 1 1 1v1.
. 2 que aproxima la función ex desigualdad se llama la desigualdad de Cauchy-Schwarz. Vea
en el sentido del error cuadrático medio está dado por blema 4.10.33.]
18. Usando el resultado del Problema 17, demuestre que 1u + v 1 ::; 1u1 + 1 ¡.
P2(x) ~ 1.01 + 0.85x + 0.84x 2 es la desigualdad del triángulo. [Sugerencia: Vea el Problema 4.10.36.]
o En P 3 [0, 1] sea H el subespacio generado por Encuentre Hi..
!l64 CAPÍTULO 4 • ESPACIOS VECTORIALES
4. 12 s Una perspectiva diferente: la existencia de una base

o* 20. En 'C [-1, 1], sea H el subespacio de funciones pares. Muestre que H..Lestá formado
por las funciones impares. [Sugerencia: fes impar si f (-x) = -f(x) y es par si
f (-x) = f (x).] Ejemplo 1 Los números reales están ordenados parcialmente por ::::; , donde s; significa
"menor que o igual a". La ordenación es total.
o* 21. H = P 2 [0, l] es un subespacio de P 3 [0, 1]. Escribé;l el polinomio 1 + 2.X + 3x 2
3
-
x como h(x) + p(x), donde h(x) EH y p(x) E H..L.
Sea s un conjunto y P(S), llamado el conjunto potencia de S, denota el con-
* 22. Obtenga el polinomio de segundo orden que mejor aproxime a la función sen n x en junto de todos los subconjuntos de S.
el intervalo [O, 1] en el sentido del error cuadrático medio. 2
* 23. Resuelva el Probie:na 22 para la función cos 2x.n
Se dice de dos subconjuntos A y B de S que A s; B s~ ~ B. La relación 1
de inclusión es una ordenación parcial en P(S). Esto es fac1l de demostrar. Te-
24. Sea A una matriz m x n con elementos complejos. Entonces la matriz transpuesta nemos que
conjugada de A, denotada por A*, se define por Determine A* si
i. A ~A para todo subconjunto A.
A= (1 2i 2i 3+4i)
-6
ii. A ~B y B ~ A si y sólo si A = B. ,
m. Supóngase que A ~ By que B ~ c. Si X E A, entonces X E B, as1 que
25. Sea 1A una matriz n X n invertible con elementos complejos. A se dice unitaria si X E e lo cual significa que A ~ c.
A - = A*. Demuestre que la matriz siguiente es unitaria:
Como se indica en las circunstancias de la Figura 4.4, la ordenación así defini-
da no es total.
B

A B A B

* 26. yen
Demuestre que una matriz n x n es unitaria si y sólo si las columnas de A constitu-
una base nrTnnnrTTI<ll Figura 4.4

Una perspectiva diferente: la No se cumple A e B NosecumpleA e BniB CA;

de una base AcB niBCA
(b)
A y B son ajenos
(e)
(a)

En esta sección demostramos uno de los resultados más importantes del álgebra
lineal: Todo espacio vectorial posee una base. La demostración es difícil e in-
volucra conceptos que son parte de los fundamentos .de la matemática. Será Definición ~ Cadena, cota y elemento maximal. Sea S un conjunto parcialmente orde-
algo laborioso seguir los detalles de la demostración. Sin embargo, una vez que nado por una relación s; .
se haya hecho esto, se contará con una apreciación más profunda de una no-
ción matemática fundamental. i. Un subconjunto T de S se llama cadena si está ordenado total?1ente~esto
Comenzaremos con algunas definiciones. es, si x, y son elementos distintos de T, entonces x s; Y o bien Y -:-- x.
Detm1rc1cm 1 Ordenación pardal. Sea S un conjunto. Una ordenación parcial en S, es una re-
e
ii. Sea un subconjunto de S. Un elemento u E S se llama cota superwr de
C si C $ U para todo elemento C E C. . .
lación, denotada por s;, la cual está definida para algunos de los pares ordena- m. E' elemento m E s se denomina elemento maximal de S s1 no existe s E
dos de elementos de S y que satisface tres condiciones:
S siendo m < s.
i. x s; x para toda x E S reflexiva
ii. Si x s; y y y s; x, entonces x = y ley antisimétrica ()b servacu:m En ( 1·1·) , la cota superior de C debe ser comparable con· cada
· - 1• , dele-
b
m. Si X $ y y y $ Z, entonces X $ z ley transitiva mento de e pero no necesariamente debe ser elemento de C (aun~ue s1 e e
estar en S). Por ejemplo, el número 1 es una cota superior del con3unto (O, 1)
Pudiera darse el caso de que existan elementos x, y en S tales que no se cumpla
pero no pertenece a este intervalo. Todo número mayor que 1 es una cota.supe-
x s; y ni y s; x. Sin embargo, si para todo par x, y ES se cumple x s; y o
rior. Sin embargo, no existe número alguno en (O, 1) que sea cota supenor de
bien y s; x, entonces la ordenación se llama ordenación total. Si x s; y o bien (O, 1).
y s; x, entonces a los elementos x, y se les llama comparables.
Notación. x < y significa x s; y yx =I= y. Observación 2. Si m es un elemento maximal de S, no necesariam~nte ocurre que
s s; m para todos E s. De hecho, m pudiera ser comparable solo con algunos
CAPÍTULO 4 • ESPACIOS VECTORIALES
4.12 Una perspectiva diferente: la existencia de una base

elementos de S. La única condición de maximalidad es que no exista un ele-

mento de S ''más grande'' que m. iv. El ~~·,-~··· vectorial V es una base de V si genera a
V y si es linealmente irn1er>enait~nt1e.

Observación. Si de vectores, entonces estas de-

Sea S = fR 2 • Entonces consiste en del xy. Sea finiciones son vieron con anterioridad en este
esto es, es un disco abierto de radio -el in-
centrado en Sea
T= · r >O} Teorema 1 Sea B un vectorial V. En-
Claramente se ve que Tes una pues tonces B es una base si y sólo si es ~HA,•u~-A, es
y están T, entonces
HA ...

linealmente n"'''"'"''"",_. .. ,,,..

base y que ~ x tal ti

escrito como combinación vectores
Antes de se necesita una notación adicional. Sea vec-
torial. Hemos visto que una combinación lineal de vectores en V es una suma X=
finita
a\, = O, entonces x y
se habrán visto av ::/= O, la suma
x3
n! + +-+ 3! +···
pone de manifiesto que D es Así pues, B es maximaL
de
vectores escalar que B es maximal. Sea x un vector de
U.!J'VAA,.., .... ,,...,

se da en escribirse . Entonces Des es •Au-·······-··,

y existe una ecuación

se entenderá que sólo rH4'T1rlTn.C' de

que todos los términos todo coeficiente es
UH~"'~ entonces
describir la suma
.., ......
contradicción a
escribirse

es un de

se dice que genera el

de un vectorial
IY.vV =0

verifica sólo ª" O para todo E C.

* C no es necesariamente un subespacio de V.
* Si los escalares son números reales o complejos, entonces (r 1
1/(3.
268 CAPÍTULO 4 • ESPACIOS VECTORIALES Ejercicios de Repaso • Capítulo 4 269

En todas las ramas de las matemáticas es necesario establecer algunos axio-
mas. Si nada se supone, nada puede demostrarse. Para completar nuestra de-
mostración, necesitaremos del axioma siguiente:
Axioma Lema de Zorn. * Si Ses un conjunto no vacío, parcialmente ordenado y tal que
toda cadena no vacía posee una cota superior, entonces en S hay un elemento
maximal.
Observación. El axiomq de elección dice, aproximadamente, que dado un núme-
ro (finito o infinito) de conjuntos no vacíos, existe una función que selecciona
un elemento de cada uno de ellos. Este axioma es equivalente al lema de Zorn;
Problemas 4.1 ~
esto es, si se postula el axioma de elección, es posible demostrar el lema de
Zorn, y viceversa. Si el lector desea ver una demostración de esta equivalencia,
así como otros resultados interesantes, se le recomienda el excelente libro Naive
Set Theory de Paul R. Halmos (Nueva York: Van Nostrand, 1960), especial-
mente la página 63.
Finalmente, podemos enunciar y demostrar nuestro resultado principal.
Teorema !l Todo espacio vectorial V tiene una base.
Demostración Se probará que V tiene un subconjunto maximal linealmente independiente.
Lo haremos por pasos.
i. Sea S la colección de todos los subconjuntos de V linealmente indepen-
dientes, y considerémoslos parcialmente ordenados por inclusión.
ii. Una cadena en Ses un subconjunto T de S tal que si A y B están en T,
entonces A c.:; B o bien B c.:; A.
iii. Sea T una cadena y definamos
M(T) = LJ A
AET
v. S no es vacío porque 0 E S (el conjunto vacío se denota por 0). Hemos
pues demostrado que toda cadena Ten S tiene una cota superior M(
en S. Por el lema de Zorn, S tiene un elemento maximal. Pero S consis-
te en todos los subconjuntos de V linealmente independientes. El elemento
maximal BES es, por lo tanto, un subconjunto de V maximal y lineal-
mente independiente. Por el Teorema 1, B es una base de V. 111
1. Demuestre que todo conjunto linealmente independiente en un espacio vectorial V,
puede ser expandido a una base.
2. Demuestre que todo conjunto generador en un espacio vectorial V tiene un subcon-
junto que es una base.
3. Sean n conjuntos A 1 , A 2 , .•• , An en una cadena T. Demuestre que uno de ellos con-
tiene a todos los demás. [Sugerencia: Como Tes una cadena se tiene que A 1 s; A2 o
bien A 2 s; A 1 . Así que el resultado es cierto sin = 2. Complete la demostración
por inducción matemática.]
Ejercicios de repaso • Capítulo 4
En los Ejercicios del 1 al 1O determine si el conjunto dado es un espacio vecto-
rial. Si es así, encuentre su dimensión. Si es de dimensión finita, encuentre una
base para el espacio.
3
l. Los vectores (x,y,z) en IR que satisfacen x + 2y- z
2.
O
Los vectores (x,y,z) en IR 3 que satisfacen x+2y-z:'.SO.

Claramente M( T) es un subconjunto de V tal 3. Los vectores (x,y,z, w) en IR 4 que satisfacen x +y+ z + w =O.
4. Los vectores en IR 3 que satisfacenx-2=y+3=z-4
A E T. Desea demostrarse que M( T) es una
S. El conjunto de matrices triangulares superiores de n x n con las operaciones de
A c.:; M(T) para toda A E T, sólo hay que está en S. suma de matrices y multiplicación escalar.
Esto es, que M( T) es linealmente independiente. 6. El conjunto de polinomios de grado :'.S 5
iv. Supóngase que I cxv v = O , donde sólo un número finito de las av son 7. El conjunto de polinomios de grado 5
VEM(T)
8. El conjunto de matrices de 3 x 2, A = con a 12 O, con las operaciones
distintas de cero. Denotemos estos escalares por a 1 , cx 2 , ... , cxn y sus corres- de suma matricial y multiplicación escalar.
pondientes vectores por v 1, v2 , ••• , vn. Para cada i, i = 1, 2, ... , n eX.is- 9. El conjunto del Ejercicio 8, excepto que a12 = 1
te un conjunto A¡ ET tal que V¡ E A (ya que cada V¡ está en M( T) y M( T) 10. El conjunto S = {!E C [O, 2]: f(2) = O}
es la unión de conjuntos en T). Pero T está totalmente ordenado, así que En los Ejercicios del 11 al 19 determine si el conjunto de vectores dado es li-
una de las A¡ contiene a todas las demás (vea Problema 3). Sea este ele- nealmente dependiente o independiente .
mento Ak. (Podemos concluir lo anterior porque {A 1, A 2 ,. .. , An} es fini-
to.) Así pues, A¡c;;Akparai = 1, 2, ... , ny v1, v2 , ... , vnEAk. Como
A k es linealmente independiente y CX¡V¡ =O, se sigue que cx 1 = cx 2 =
11. G); e:) 12. G); (:) 13.
'(~}
··· = cxn = O. Así pues, M( T) es linealmente independiente.
1+~){~; (-ln 15. (¡}(¡}(¡}(¡)
* Max A. Zorn (n. 1906) pasó un buen número de años en la Universidad de Indiana, donde es
ahora Profesor Emérito. Public'Q su resultado famoso en 1935 ("A Remark on Method in Transfi-
nite Algebra'', Bulletin oj the American Mathematical Society, 41 (1935): 667-670).
CAPÍTULO ESPACIOS VECTORIALES Ejercicios de Repaso • Capítulo 4

En los Ejercicios del 39 al 42 encuentre una base ortonormal para el espacio

(~ (~ (~ (~ vectorial dado.

(~ (~ (~ (~ 39. IR 2 empezando con la base (23)' (-41)

20. Utilizando determinantes, determine si cada conjunto de vectores es independiente 40. {(x,y,z)EIR 3 : x-y-z=O} 41. {(x,y,z)EIR 3 : x=y=z}
4
o dependiente. 42. {(x, y, z, w)EIR : x = z y y= w}

a. En los Ejercicios del 43 al 45: (a) calcule proyHv; (b) halle una base ortonor-
b. (2, 1, 4); (3, -2, 6); ( -1, -4, -2)
mal para H.l_; (e) exprese v corno h + p, en donde h E H y p E HJ_.

En los
determine su dimensión.
el vectorial 43. Hes el subespacio del Problema 40; v -- (-!1)·
Los vectores en IR 3 que están sobre el plano 2x + 3y -
22. H= y): 2x-3y=O} 23. . 3x-y-z+w=O}
O.
44. Hes el subespacio del Problema 41; v = (_~).
{p E P3: p(O) O} El conjunto de matrices diagonales de 4 x 4.
M32

los del 27 32 determine el núcleo o kernel, la

dad y el rango de la matriz dada.
la nuli-
45. Hes el subespacio del Problema 42; v = (¡}
-1 -1 46. Obtenga una base ortonormal para P 2 [0, 2].
A A o 29. 1 47. Utilice el resultado del Ejercicio 46 para encontrar el polinomio que dé la mejor
-2 -1 aproximación cuadrática media a ex en el intervalo [O; 2].

-1
4
30. A= A A
-2 3

los el vector en términos vectores

= (~ (~ (~
1or;•1,-.u-.0 37 y 38 el rango de la
subdeterminantes.

3
3 -1
6
o
7
CAPÍTULO

Transformacione
line les

S.1 Definición y ejemplos

En este capítulo vamos a discutir una clase especial de funciones, llamadas
transformaciones lineales, las cuales aparecen con gran frecuencia en el ál-
gebra lineal y otras ramas de las matemáticas. También son importantes en
una amplia variedad de aplicaciones. Antes de definir lo que es una transfor-
mación lineal, estudiemos dos ejemplos sencillo~ para ver lo que suce-
der.

En IR 2 , definamos una función T por la fórmula T(~) = Geométrica-

mente, T toma un vector en IR 2 y lo transforma en su reflexión con respecto al

eje x. Esto se ilustra en la Figura 5.1. Una vez que hayamos dado la definición
básica, veremos que Tes una transformación lineal de IR 2 en IR 2 •

y)

Figura

T(x, y) (x, y)

CJE~mJ'JIO 2 Un fabricante elabora cuatro productos diferentes, cada uno de los cuales re-
quiere tres materias primas. Denotamos los cuatro productos por P 1
P3 y
,

y las materias primas por y La tabla anexa da el número de unida-

des de cada materia prima que se necesitan para la elaboración de una unidad
de cada producto.
CAPÍTULO 5 • TRANSFORMACIONES LINEALES
5.1 • Definición y ejemplos
Necesarias para producir una unidad de
Antes de definir una transformación lineal, conviene expresar algo acerca
P1 p3 de las funciones. En la Sección 1.6 escribimos un sistema de ecuaciones como
Cantidad de Ri 2 1 3 4 Ax= b
unidades de
materia en donde A es una matriz de m x n, x E !Rn y b E iRm. Se pidió encontrar x
prima R2 4 2 2 1
cuando A y b eran conocidos. Sin embargo, es posible considerar a la ecuación
R3 3 3 1 2 de otra manera: Supóngase que A es dada. Entonces la ecuación Ax = b "dice":
Si se da una x en !Rn, -se proporcionará una b en !Rm. Esto es, A representa una
función con dominio en [Rn y un ámbito o contradominio en !Rm.
La pregunta que surge naturalmente es: Si se produce un número determinado La función definida anteriormente tiene la propiedad de que A = a Ax
de cada uno de los cuatro productos ¿cuántas unidades de cada materia prima si a es un escalar y A (x + y) = Ax + Ay. Esta propiedad caracteriza trans-
se necesitan? Denotemos por p 1, p 2 , p 3 y p 4 el número de artículos elaborados formaciones lineales.
de los cuatro productos y por r 1, r 2 y r3 el número de unidades necesarias de
materia prima. Entonces, definimos
Definición 1 Transformación lineal. Sean Vy W espacios vectoriales. Una transformación li-
1 neal T de V en W es una función que asigna a cada vector v E V un único vec-
p=@ r
A=G 2
3
tor Tv E W y que satisface para cada u y v en V y cada escalar a,

Por ejemplo, supongamos que p = (11) . ¿Cuántas unidades de R, se necesi-

tan para producir este número de unidades de los cuatro productos? A partir
de la tabla encontramos que
r1=v1·2+v2 · l+p3 · 3+p4 · 4 Notación Escribimos T: V- W para indicar que T transforma V en W.
= 10 · 2+30 · 1+20 · 3+50 · 4=310 unidades
Análogamente, r2 10 · 4 + 30 · 2 + 20 · 2 + 50 · 1=190 unidades Terminología Las transformaciones lineales se llaman, con frecuencia, operadores lineales.
También, las funciones que satisfacen (1) y se denominanfunciones lineales.
Y r 3 = 10 · 3 + 30 · 3 + 20 · 1+50 · 2 = 240 unidades
En general, vemos que

1 3 Ejemplo 3 Sea T: IR 2 ~ IR 3
definida por r(;) = (: ~ 0· Por ejemplo, r(_~) =
2
3
2
1 D(l}C:) (---~1)· Entonces
o bien r

Podemos ver esto de otra manera. Si a p se le llama vector de producción, y a

r, vector de materia prima, definimos la función Tpor r Tp = Ap. Esto es,
Tes la función que "transforma" al vector de producción en el vector de ma-
teria prima, que está definido por una multiplicación común de matrices. Co-
mo veremos, esta función también es una transformación lineal.
 5.1 • Definición y ejemplos !J.77
!J.76 CAPÍTULO 5 • TRANSFORMACIONES LINEALES

X2+Y2) (x', y') 1

Pero y
(
X2-Y2
3y2
r(;:) 1
1
tJ + <X 1(x, y)
1
1

ex¡- e
1

r[ (;;) + (;~) J r(;:) + r(;~)

1
1i
Así, =
1

Figura 5.3 o X

Análogamente,

Sea v' = (~:) el vector girado. Entonces, como en la Figura 5.3, sir denota la
longitud de v (la cual no cambia con la rotación),
Por lo tanto T es una transformación lineal.
X= r COS a y= r sena
X
1
=r COS ( 8 + a) y' r sen ( 6 + a) *
Ejemplo 4 Sean V y W espacios vectoriales. Defina T: V - W por Tv = O para todo v
en V. Entonces T(v 1 + v2 ) = O = O + O = Tv 1 + Tv 2 y T(cxv) = O = ex.O =
Pero r cos (()+a)=r cos () cos a-r sen() sen a, por lo que
ex Tv. Aquí T se llama transformación cero.

Ejemplo 5 Sea V un espacio vectorial. Defina!: v- V por Jv = v. para todo v en V.

Aquí I es obviamente una transformación lineal conocida como transforma-
ción identidad u operador identidad.
Análogamente, r sen (() + a) r sen (} cos a + r cos () sen a o

Eíe.mo.lo 6 Sea T: 1R 2 ~1R 2 definida por r(;) = (-~). Es fácil verificar que Tes lineal.
Geométricamente T toma un vector en IR 2 y lo refleja con respecto al eje y (Fi-
gura 5.2).

Sea Ae = (cos 8 sen O) (5)

y sen 8 cos 6

Figura .U Entonces, de (3) y (4), vemos que A 9 ( ; ) = (~:). La transformación lineal

T: IR ~1R definida por Tv = A 0v,
2 2
do~de A 0 está dada por (5), se llama trans-
(a) (b)
formación de rotación.

Ejemplo 9 Sea H un subespacio de !Rn. Definimos la transformación proyección ortogo-

Sea A una matriz de m X n. Defina T: !Rn ~!Rm por Tx =Ax. Puesto que
nal P: V-H por
A(x+y) =Ax+ Ay y A(ax) =ex.Ax si x y y están en !Rn,vemos que Tes una
transformación lineal. En consecuencia: Cada matriz A de m x n da lugar a Pv = proyH v (6)
una transformación lineal de !Rn en !Rm. En la Sección 5.3 veremos que la Sea {u 1 , u 2 , •.• , ud una base ortonormal de H. Entonces de la Definición 4.10.4
recíproca es válida: Toda transformación lineal entre dos espacios vectoriales
'tenemos
de dimensión finita se puede representar por una matriz. (7)

* Esto sale de la definición de cos e y sen e como las coordenadas x y y de un punto en el círculo
Ejemplo 8 Suponga que el vector v = (;) en el plano xy gira un ángulo() (medido en unitario. Si (x, y) es un punto del círculo centrado en el origen con radio r, entonces x = r cos </>
y y = r sen</>, donde</> es el ángulo que el vector (x, y) forma con el eje positivo x.
grados o radianes) en la dirección contraria a las manecillas del reloj.
 • Definición y ejemplos 9.19
9.18 CAPÍTULO 5 • TRANSFORMACIONES LINEALES

Puesto que (v 1 +v2 )-u=v 1 ·u+v2 ·u y (av)·u=a(v·u),vemos que Pes una

transformación lineal. ·
En /os Problemas del 1 al 29 determine
es lineal.

Ejemplo 10 Sea T: 3 3
IR ->IR definida por T(i) = (~} Entonces Tes el operador pro- 1. T: ~2 -~2; TC) (~) 2. T: TC) (:)
yección que toma un vector en el espacio y lo proyecta en el plano xy. Análoga-
3. T ~'->~'; r(} (;) 4. T ,T(}(~)
mente T (~) (~) proyecta un vector del espacio en el plano xz.
= •

5. T; ~ 3 ->~': {)= (~) 6. T: TC) = (~:)

Ejemplo 11 Sea T: Mmn - Mnm definida por T(A) = Ai. Puesto que (A+ B)! = A 1 + Bt_
7. T: ~2--?~2; TC) = C)
y (aAY = aA\ vemos que T, llamado el operador transpuesto, es una trans-
9. T:
formación lineal.

o Ejemplo 12 Sea J: e [O, 1] - [R .y siendo definida por Jf = Sb f(x) dx. Puesto que
10. T: 11. T: ~->~"; T(x) = (i)
Sb [f(x) + g(x)] dx = f6 f(x)dx + Jb g(x)dxy Jó oJ(x)dx =a S6f(x)dx
si f y g son continuas, vemos que J es lineal. Por ejemplo, T(x 3 ) = ~. J se
llama operador integral.
12. T: (
X
y+w
+z) 13. T: ~·_.~': T (} c:J
ºEjemplo 13 Sea D: C' [O, 1] - C [O, l] definida por Df = f'. Puesto que (f + g)' ~ f' +
14. T: Mnn - Mnn; T(A) = AB, donde B es una matriz de n X n dada
g' y (aj)' = af' sif y g son diferenciables, vemos que Des lineal. D se llama
15. T: Mnn-?Mn .. ; T(A) AtA
operador diferencial. 16. T: Mmn -Mm¡;; T(A) AB, donde Bes una matriz den Xp dada
17. T: D .. --? D T(D) = D 2 (Dn es el conjunto de matrices diagonales de n X n)
11
;

18. T: Dn-Dn; T(D) I+D

2
19. T: P 2 -?P 1 ; T(ao+a1x+a2x )=ao+a1X
Advertencia. No todas las funciones que tienen apariencia de ser lineales lo 2
20. T: P 2 -?P1; T(ao+a1x+a2x )=a1+a2X
Sün en la realidad. Por ejemplo sea T: !R_,,.!R definida por Tx=2x+3. Enton- 2
21. T: ~-?P"; T(a)=a+ax+ax +· ··+ax"
ces {(x, Tx): x E IR} es una línea recta en el plano xy. Pero T no es lineal puesto 22. T: P 2 ~ P4; T(p(x)) = [p(x)]2
que T(x + y) = 2(x + y) + 3 = 2x + 2y + 3 y Tx + Ty = (2x + 3) + 23. T:
2
C[O, 1]-? C[O, 1]; Tf(x) = f (x)
(2y + 3) = 2x + 2y + 6. Las únicas funciones lineales de lR en lR son funcio- 24. T: C[O, 1]-?C[O, 1]; Tf(x)=f(x)+l
nes de la formaf(x) = mx para algún número real m. Por lo tanto, de todas o 25. T: C[O, 1]-?~; Tf = Sb f(x)g(x) dx, donde ges una función dada en :[o, 1]
las funciones que son líneas rectas, las únicas que son lineales son las quepa- o 26. T: C'[O, 1]-? C[O, 1]; Tf = (fg)', donde g es una función dada en C [O, 1]
san por el origen. · 27. T: C[O, 1]~ C[l, 2]; Tf(x) = f(x -1)
28. T: C[O, 1]~~; Tf = f(~)
29. T: Mnn-?~; T(A)=detA
Sea T: C [O, 1] - !R definida por T f = f (0) + 1. Entonces T no es lineal. P'lra 30. Sea T: ~ 2 --?~ 2 dada por T(x, y)= (-x, -y). Describa T geométricamente.
Ejemplo 14 ver esto, calculemos.
T[f + g] = (f + g)(O) + 1 = f(O) + g(O) + 1
Tf + Tg = [f(O) + 1] + [g(O) + 1] = f(O) + g(O) + 2
31. Sea T una transformación lineal de~'->~' tal que T (~) = ~ (1) YT (~) (-~5)·
_

Este es otro ejemplo de una transformación que a simple vista parece ser lineal
pero que no lo es.
Encuentre (a) T(!) Y (b) T(-~).
280 CAPÍTULO 5 • TRANSFORMACIONES LINEALES
5.2 • Propiedades de las transformaciones lineales: Imagen y kernel (o núcleo) 281
32. En el Ejemplo 8: (a) Encuentre la matriz de rotación A 0 para e= 7r/6. (b) ¿Qué
Demostración i. T(O)= T(O+O)T(O)+ T(O). Entonces O T(O)-T(O) T(O)+ T(O)-
le sucede al vector(-!) si gira un ángulo de 7r/6 en el sentido contrarioª. las mane- T(O).
cillas del reloj?
ii. T(u-v)= T[u+(-l)v] Tu+T[(-l)v]= Tu+(-l)Tv= Tu-Tv.
iii. Demostraremos esta parte por inducción (Apéndice -1). Paran 2, ob-
33. Sea A 0 = (::~: ~::n: ~). Describa geométricamente la transformación lineal
tenemos T(a 1v 1 + a 2v2 ) T(a 1v 1) + T(a 2v2 ) o:. 1 Tv 1 +
En consecuencia, tenemos que, la ecuación es válida paran 2. Suponga-
o o 1
mos que es válida para n k y demostremos que vale para n k + 1:
T: IR 3 ~IR dada por Tx = A 0 x.
3

cos e O -sene) + 0!.2V2 • • + Ot.kVk + O!.k+ i"k~ T(0t.¡V¡ + 0!2V2 + .. + +

34. Responda a las preguntas del Problema 33 para A 0 = O 1 O . usando la ecuación de la parte (üi) paran = k, esto es igual
1),
( + + + ak t que es lo que queríamos demos-
sene o cose
35. Suponga que en un espacio vectorial real V, T satisface T(x + y) = Tx + Ty y trar. Con esto queda completa la demostración. 11
T(cxx) = cxTx para ex :;:::: O. Muestre que Tes lineal.
36. Encuentre una transformación lineal T: M 33 - M 22 • Observación. Note que la parte ( ii) del Teorema 1, es un caso especial de la parte
37. Si Tes una transformación lineal de V en W, muestre que T (x - y) = Tx - Ty.
38. Si Tes una transformación lineal de Ven W, muestre que TO = O. ¿Son los dos
vectores cero el mismo vector? Un hecho importante de las transformaciones lineales es que están comple-
39. Sea V un espacio producto interior y sea u 0 E V, un vector dado. Sea T: V - IR tamente determinadas por lo que le hacen a los vectores base.
(o C) definida por Tv = (v, u0 ). Muestre que Tes lineal.
* 40. Muestre que si V es un espacio producto interior complejo y T: V - C está definida Teorema 2 Sea V un espacio vectorial de dimensión finita con base B = {v 1 , v 2 ••• , vn}.
por Tv = ( u0 , v) para un vector dado u0 E V, entonces T no es lineal. Sean w 1 , w 2 , . • . , wn n vectores en W. Suponga que T 1 y T2 son dos transfor-
41. Sea V un espacio producto interior con un subespacio de dimensión finita H. Sea maciones lineales de Ven W tales que T 1v¡ = T 2 V¡ = W¡ para i = 1,2, ... , n.
{U¡, u 2, ... , uk} una base de H. Muestre que T: v- H definida por Tv = Entonces para cualquier vector vE T 1v Es decir T 1 = T 2 •
(v, U1)U1 + (v, u2 )u 2 + · · · + (v, uk)uk es una transformación lineal.
42. Sean Vy W dos espacios vectoriales. Sea L (V, W) el espacio de transformaciones Demostración Puesto que Bes una base de V, existe un conjunto único de escalares a 1, o:. 2 ,
lineales de Ven W. Si T1 y T2 son elementos de L(V, W), defínanse cxT1 y T1 + an tales que v = a 1v 1 + a 2v2 + · · · + anvw Entonces, de la parte (iii)
T2 por (cxT1 )v = cx(T1v) y (T1 + T2)v = T 1v = T2v. Demuestre queL(V, W) del Teorema 1,
es un espacio vectorial.

Análogamente,

Propiedades de las transformaciones T2v = T2(0'.1V1+0'.2V2 + ... + an vn) = ª1 T1V1 + ª2 T1V2 + ... + ªn TzVn
= 0'.1W1 +a2W2+ ... +anwn
lineales: Imagen y kernel (o núcleo)
De esta manera, T 1v = T 2 v. 111
En esta sección desarrollaremos algunas de las propiedades básicas de las
transformaciones lineales.
El Teorema 2 nos dice que si T: V --- W y V es de dimensión finita, entonces
necesitarnos conocer únicamente lo que T hace al vector base en V. Esto deter-
Teorema 1 Sea T: V - W una transformación lineal. Entonces para todos los vectores mina T completamente. Para ver esto, sea Vi, v2 , ••• , vn una base en Vy sea v
u, v, V1, Vz, ... 'vn en V y todos los escalares O'.¡, Ot.z, ... 'Q'.n: otro vector en V. Entonces, como en la demostración del Teorema 2,
i. T(O) =O Tv a 1 Tv 1 +a 2 Tv 2 +· · ·+anTvn
ii. T(u-v)= Tu-Tv
m. T( a 1V1 + O'.zV 2 + ... + Q'.n V n) = 0! 1 Tv 1 + a 2 Tv2 + ... + Q'.n Tv n De esta manera podemos calcular Tv para cualquier vector v E V si conocemos
Tv 1, Tv 2 , ••. , Tvn.
Nota. En la parte (i) el O de la izquierda, es el vector cero en V mientras que
el O del lado derecho, es el vector cero en W. Ejemplo 1 Sea Tuna transformación lineal de IR 3 en IR 2 y suponga que
 5.2 • Propiedades de las transformaciones lineales: Imagen y kernel (o núcleo) 283
282 CAPÍTULO 5 • TRANSFORMACIONES LINEALES
Observación. En los Teoremas 2 y 3 los vectores w 1, w 2 , ••• , wn no necesitan
ser distintos. Más aún, hacemos énfasis en que los teoremas son ciertos si V es
cualquier espacio vectorial de dimensión finita, no necesariamente [Rn. Nótese
también que W no tiene que ser necesariamente de dimensión finita.

Ejemplo ~ Encontrar una transformación lineal de fR 2 , en el plano

W={ C} 2x-y+3z=O}
De esta manera T(-;)=3Tm-4TG)+sT(~) Solución Del Ejemplo 4.6.3 sabemos que W es un subespacio de dimensión dos de IR. 3

con vectores base w 1 = y w2 = (~} Usando la base canónica en ~ 2 ,

3(~)-4 (-!) + 5(_~) = (~) + (_ 1:) + (_ ~~) = (_~~)
v 1 =(~)y v 2 = (~), definimos la transformación lineal T por T(~) = Y
T(~) (~} Entonces, como muestra la discusión que sigue al Teorema 2, T
=

Surge otra pregunta: Si w 1, w 2 , ••• , wn son n vectores en W, ¿existe una

transformación lineal T tal que Tv¡ = W¡ para i = 1, 2, ... , n? La respuesta es está completamente determinada. Por ejemplo,
sí, como se muestra en el siguiente teorema.

Teorema 3 Sea V un espacio vectorial de dimensión finita con base B = {v 1, v2 , •.• , vn}·
T(_~) =T[s (~)-1 (~) J=sT(~)-7TG)= sG)-7(D=
Sea también Wun espacio vectorial que contiene a los n vectores w1, w2 ,
wn- Entonces existe una única transformación lineal T: v- W tal que
W¡ para i = 1, 2, ... , n.

Volvamos ahora a dos definiciones importantes en la teoría de las transfor-

maciones lineales.
Demostración Defina una función T del siguiente modo:
i. Tv¡ =w¡
Definición 1 Kernel e imagen de una transformación lineal. Sean V y W espacios vectoriales y sea
ii. Si v=a 1v1+a 2v 2 +· · ·+anvn, entonces T: v- W una transformación lineal. Entonces:

(1)
i. El kernel (o núcleo) de T, denotado como ker T, está dado por
Ya que B es una base de V, T está definida para wdo v E y puesto que W es
un espacio vectorial, Tv E W. De esta manera sólo resta demostrar que Tes li-
neal. Pero esto se deduce directamente de la Ecuación ( 1). Pues si u = a 1v 1 +
0'.2V2 + ... + an Vn Y V f.31 V1 + f32V2 +. · '+ f3n Vm entonces

T(u +v) T[(a 1 + {3 1)v 1 + (a 2 + {3 2)v 2 + · · · + (an + f3n)vn] ii. La imagen de T, denotada como imag T, está dada por
= (a1 + f31)W1 + (a2 + f32)W2 + · · · + (an + /3n)wn = + 0'.2W 2
+ · · · +anwn)+(f31W1 + /32W2+ · · · + f3nwn) =Tu+ Tv VE V}

Análogamente T(av) = aTY, por lo tanto·T es lineal. La unicidad de T sale

del Teorema 2 y con ello el teorema queda demostrado. 111
284 CAPÍTULO 5 • TRANSFORMACIONES LINEALES
5.2 • Propiedades de las transformaciones lineales: Imagen y kernel (o núcleo) 285
Observadón 1. Note que ker Tes no vacío ya que por el Teorema l, T (0) = o de
x =y= O.DeestamanerakerT = {(x,y,z):x =y= O}= elejezimagT =
manera que O E ker T para toda transformación ¡1·neal T . sera, m
· t eresant e en- {(x, y, z): z = O} = el plano xy. Note que dim ker T = 1 y dim imag T = 2.
contrar otros vectores
. . en V que sean "mapeados al cer o . e nuevo, no'tese
" D
que cuando escnb1mos T(O) O, el Ode la izquierda está v 1od 1 d _
cha está en W. en ' Y e e ª ere

Observación i. El concepto imag Tes simplemente el conJ·unto de ".imagen

, es " de Definición 2 Nulidad y rango de una transformación lineal. Si Tes una transformación lineal de
.
vectores en. , V baJO la transformación T De hecho si w - T d. V en W, entonces definimos:
. · ' - v, iremos que
w es tamb1en la imagen de v bajo T.
Antes de dar ejemplos de núcleos o demostraremos un
teorema que será de mucha utilidad.* Nulidad de T = v ( T) dim ker T (4)

Teorema 4 Si T: V- W una transformación lineal, entonces:

i. ker T un de V.
ii. T un subespacio de W.

Demostración i. Sean u Yven ker T; entonces + v) Tu + Tv O + O = Oy T(au)

a Tu aO O de modo que u + y cm están en ker T. Observación. En la Sección 4. 7 definimos el rango y nulidad de una matriz. De
ii. Sean w Y x en imag T. Entonces w = Tu x = Tv para dos vectores u y acuerdo con el Ejemplo 5.1. 7, cada matriz A de m x n, origina una transforma-
ven Esto que Tu Tv w+x T(au) aTu ción lineal T: !Rn ---+ !Rm definida por Tx = Ax. Evidentemente, ker T = ima-
De esta manera w + x y aw están en T. 11 gen T = imagen A, v( T) = v(A) y p( T) = p(A ). Así se observa que las
definiciones de kernel, imagen, nulidad y rango de una transformación lineal son
generalizaciones del mismo concepto aplicado a las matrices.
1:.1"'",mu11a 3 Tv O para todo v V. ( la transformación Entonces ker
Ve T {O}.

Sea Tv v para todo v ( T es la transformación identidad.) Entonces Ejemplo 6 Sea H un subespacio de !Rn y defina (como en el Ejemplo 5 .1. 9) Tv = proy Hv.
T {O} T V. Claramente imag T = H. Del Teorema 4.10. 7, podemos escribir cualquier v E
V como v = h + p = proyHv + proyH.l,v. Si Tv = O, entonces h = O, lo
cual significa que v = p E H J_. De esta manera ker T = H 1-, = dim H,
y v( T) = dim HJ_ = n - p(
Las transformaciones cero e identidad son dos casos extremos. En el prime-
ro, todo está en el núcleo. En el segundo, únicamente el vector cero está en el
núcleo o kernel. Los casos intermedios son más interesantes. tJe~m&';1101 Sea V= Mmn y se define T: Mmn - Mmn por ) = A 1 (ver 5.1
Si TA = A 1 = O, entonces A 1 es la matriz nula de n x m tal que A es la ma-
triz nula o cero de m x n. Así, ker T = {O} y, claramente, T = Es-
to significa que v( T) = O y p( = nm.
3 3
Sea T: IR -> IR definida por = (D· Esto es (Ejemplo 5.1.10): Tes el
Ejemplo 8 Sea T: ~ - P¿ definida por T(p) = T(a0 + a1x + + = a0 + a1x +
3
operador proyección de IR en el plano xy. Si ~:) = (j G}
O= entonces
a2 x 2 • Entonces si T(p) = O, a0 + a 1 x + = O para toda x, lo cual
ca que a 0 = a 1 = a2 = O. De esta manera ker T = {p E
imag T = P 2 , v(T) == 1 y p(T) 3.

* (N. de R.T.) Suele adoptarse el neologismo kernel (del inglés kernel) para designar también al
núcleo. El concepto de imagen se denomina range en inglés, que no debe traducirse como "rango".
286 CAPÍTULO 5 • TRANSFORMACIONES LINEALES 5.3 • La representación matricial de una transformación lineal 287

~!R; tal que imag T

3 3
18. Realice la obtención de una transformación lineal T de !R; =
{ (x, y, z): 2x - y + z = O}.
D Ejemplo 9 Sea V = e [O, 1] y J: e [O, 1] ~IR definida por Jf = SA f(x) dx (Ejemplo' 19. Sea T: Mnn ~ Mnn definida por TA = A Ar. Demuestre que ker T = {matrices
5.1.12). Entonces ker J = C[O, 1]: H
f(x) dx =O}. Sea a un núrpero real. simétricas de n x n} e imag T = {matrices antisimétricas de n x n }.
En;onces la función constante f (x) = a para x E [O, 1] está en C [O, 1]
o *20. Sea T: C' [O, 1) ~ C [O, 1] definida por T f(x) = xf'(x). Encuentre el núcleo (o
Jo
Y r:x dx = r:x. Ya que esto es verdad para todo número real a, tenemos que
kernel) y la imagen de T.
imagJ = R
* 21. En el Problema 5 .1.42 se pidió demostrar que el conjunto de las transformaciones
lineales de un espacio vectorial V en un espacio vectorial W, forman un espacio
vectorial denotado por L (V, W). Suponiendo que dim V = n < oo y que dim W =
m < oo, obtenga dim L( V, W).
En la siguiente sección veremos cómo toda transformación lineal de un espa-
22. Sea Hun subespacio de V, en donde dim H = k y dim V = n. Sea U el subconjun-
cio vectorial de dimensión finita en otro puede representarse por una matriz.
to de L ( V, V) que tiene la propiedad tal de que si T está en L (V, V), entonces
Esto permitirá que determinemos el núcleo o kernel y la imagen de cualquier
Th = O para toda h en H.
transformación lineal entre dos espacios vectoriales de dimensión finita por me- a. Demuestre que U es un subespacio de L (V, V).
dio del núcleo y la imagen de la matriz correspondientes. b. Determine dim U.
* 23. Sean S, T elementos de L (V, V) tales que ST es la transformación cero. Demuestre
o refute lo siguiente: TS es la transformación cero.
Problemas

En los Problemas del 1 al 1O obtener el kernel o núcleo la imagen, el rango

y la nulidad de las transformacíones lineales dadas. ' 5.3 La representación matricial de una
l. T !l'-•!l'; T(;) = (~) 2. T !!'~!!'; { ) C) transformación lineal
Si A es una matriz de m x n y T: !Rn ~!Rm está definida por Tx =Ax entonces,

!l'~!l;T(;)~x+y 4. T: !l'~!l';T(~)=c:,:)
como vimos en el Ejemplo 5. l. 7, Tes una transformación lineal. Ahora vere-
3. T mos que para toda transformación lineal de !Rn en !Rm, existe una matriz A de
m x n tal que Tx = Ax para toda x E !Rn. Este hecho es extremadamente útil.
11 2)
Como vimos en la Observación de la página 285, si Tx = Ax, entonces
AB, donde B \o 1
w
s. T: M22 ~ M22: T(A) = = ker T =NA e imag T = RA. Más aún, v(T) = dimker T = v(A) y p(T) =
6. T: !R ~ P3: T(a) =a+ ax+ ax +ax-'
2 dim imag T p(A ). De esta manera podemos determinar el núcleo, la ima-
7. T: Mnn ~ Mnn: T(A) =A'+ A 0 8. T: C'[O, 1] ~ C[O, 1]; Tf = f' gen, la nulidad y el rango de una transformación lineal de !Rn ~ !Rm determi-
* 9. T: C[O, ~IR;; Tf = f (~) nando el núcleo y el espacio imagen de una matriz correspondiente. Más aún,
T: !R ~ • T es una rotación de un ángulo de ?r/3
2
10. cuando se sabe que Tx = Ax, podemos evaluar Tx para cualquier x en !Rn con
ll. Sea T: v~ Wuaa transformación lineal; sea {v¡, V2, . . . , vn} una base para Vy una simple multiplicación matricial.
suponga que Tv¡ O para i = 1, 2, ... , n. Muestre que Tes la transformación Pero esto no es todo. Como veremos, cualquier transformación lineal entre
cero. dos espacios vectoriales de dimensión finita puede ser representada por una
12. En el Problema 11 suponga que W = Vy Tv¡ = V¡ para i 1, 2, ... , n. Muestre matriz.
que T es el operador identidad.
13. Sea T: V~ !R; 3 • Demuestre que imag Tes: (a) (b) una recta que pas'1 por el
Teorema 1 Sea T: !Rn ~!Rm una transformación lineal. Entonces existe una única matriz
origen, (e) un plano que pasa por el origen, o (d) R'.
AT de m x n tal que
14. Sea T: !R; ~ V. Muestre que ker Tes uno de los cuatro espacios enunciados en el
3

Problema 13.

~~~~-~~~T_x_=~A--T-x~_p_a_r_a_t_o_da~x-E_~-n~~~~~~~~(l~.
2 2
15. Encuentre todas las transformaciones lineales de 1R; en 1R; tales que la recta y =
O se transforma en la recta x = O.
16. Encuentre todas las transformaciones lineales de ~ en 2 2
1R; que transforma la recta
y ax en la recta y = bx.
l7. Realice la obtención de una transformación lineal T de IR;'~~~- tal que ker T Demostración Sea w 1 = Tei, w 2 = Te 2 , ••• , wn =Ten- Sea AT la matriz cuyas columnas son
{ (x, y, z): 2x - y + z O}. W1, W2, . . . 'wn. Si
288 CAPÍTULO 5 • TRANSFORMACIONES LINEALES 5.3 • La representación ma~; 1cial de una transformación lineal 289
Teorema 2 Sea Ar la matriz de la transformación que corresponde a la transformación
lineal T. Entonces
W¡= para i = 1, 2, ... , n i. imag T = RAr = CAr
ii. p(T) = p(Ar)
m. ker T = NAT
iv. v(T) = v(Ar)
entonces
o
o
Ejemplo 1 Encuentre la matriz de transformación Ar correspondiente a la proyección de

~q:;:(~FifFnelp:::::J:, T(~) G} TC)=(D TG)=(D-

a1¡

a2¡
Solución = Y
=W¡.
o
ami
De esta manera Ar= G~ 0.NotequeA{)=(~ ~ 0GHD·
o
!R ~!R 4 definida por
3
De esta manera Are¡ = W¡ para i = 1, 2, ... , n. Si x E !Rn, existe un conjun- Ejemplo 2 Sea T:
to Único de números reales C¡, C2, ... , Cn tales que X = C 1e¡ + c 2e2 + · · · +
cnen" Entonces Tx = C¡Te¡ + C2Te2 + ... + cnTen = C¡W¡ + C2W2 + ... +
cnwn" Pero ArX = Ar(C¡e¡ + C2e2 + ... + e nen) = C¡Are¡ + C2Are2 +
... + cnAren = C¡W¡ + C2W2 + ... + cnwn" Así que Tx = ArX. Podemos
mostrar ahora que Ar es única. Suponga que Tx = Arx y Tx = Brx para to-
da x E !Rn. Entonces Arx Brx o haciendo Cr = Ar - Br, tenemos Crx =
O para toda x E !Rn. En particular, Cre¡ =O para i = 1, 2, ... , n. Pero, co-
mo vimos en la primera parte del teorema, Cre¡ es la i-ésima columna de Cr. Encuentre A n ker T, imag T, v( T) y P( T).
De esta manera cada una de las n columnas de Cr es el vector cero de m com-
ponentes y Cr = O, la matriz cero de m x n. Esto muestra que Ar = Br y
el teorema está demostrado. 111

Observación 1.En este teorema se supuso que cada vector en [Rn y [Rm está en
términos de los vectores base canónicos en ;esos espacios. Si escogemos otras
bases para !Rn y !Rm, por supuesto que tendremos una matriz Ar diferente. Vea
el caso del Ejemplo 4.9. l o el Ejemplo 8 que se verá luego ..
Solución
Tm= (_¡). Tm{¡). Tm{l). De esta maneray

Observación 2.La demostración del teorema nos muestra que Ar es fácil de

obtener si formamos la matriz cuyas columnas son los vectores Te¡. AT = ( ~ - ~ ~)
2 -1 -1 .
Observe (como una comprobación) que

-1 1 2
Definición 1 Matriz de·transformación. La matriz Ar en el Teorema 1, se llama matriz de
transformación correspondiente a T.
En la Sección 5 .2 definimos la imagen, el rango, el núcleo y la nulidad de
una transformación lineal. En la Sección 4. 7 se definió la imagen, el rango,
el kernel o núcleo y la nulidad de una matriz. La demostración del siguiente
-1

-1
1 1
-1
º) (~) (
z
= xx-y
+z
2x-y- z
) . Lo siguiente es calcular el kernel o nú-

teorema se deriva fácilmente del Teorema 1 y se deja como ejercicio (vea Pro- 1 2 -x+y +2z
blema 36). deo y la imagen de A.
290 CAPÍTULO 5 • TRANSFORMACIONES LINEALES
5.3 • La representación ma~ricial de una transformación lineal 291

or (-2'(1
Reduciendo por renglón obtenemos

u
-1 -1 Ejemplo 4 Es fácil verificar que si Tes la transformación cero de llln ~lllm, entonces AT
1 ~o es la matriz cero de m x n. Análogamente, si Tes la transformación identidad

-l)
1 1
-1 -1 o 1 de llln ~ llln , entonces In.
1 2 o o
o o Ejemplo 5
A,.<O ( Vimos en el Ejemplo 5 .1.8 que si Tes la fución que hace girar cada vector en

~~
A34(1)
1
(¡ -l)
1 cos e -sene)
-1)
~

o o lll 2 un ángulo e, entonces Ay= ( n .a ·

sen v cos v
o o

yaquep(A) + v(A) Ahora generalizaremos el concepto de representación matricial para espa-

t cios vectoriales arbitrarios de dimensión finita.
De esta manera p(A) = 3 y v(A) = 3 - 3 = O. Esto significa que ker T =

{O}, imag T = gen {U)' (~1} (-DJ v(T)=O Y p(T)= 3.

Teorema 3 Sean V un espacio vectorial real de dimensión n, W un espacio vectorial real de di-
mensión m y T: V- W una transformación lineal. Sean B 1 = {v 1 , v 2 , . . . , vn}
una base de V y B 2 = {wi, w 2 , .•• , wm} una base de W. Entonces existe una
única matriz de m x n tal que

Ejemplo 3 ~ea T: il 3 ~1Jl 3 definida por T ( ;) = ( !: = ~ 2 : ~ :) . Encuentre A T' ker T, (2)

imag T; v(T) y p(T). z -6x+3y-9z

Solución
Puesto queTG)=(J r(D{fr y r(D=(_~} tenemos Observación 1. La notación en (2) es la notación de la Sección 4.9. Si x E V =

. Sea e = ( : . Entonces
Ay=( -6! =~3 -9~)·
Del Ejemplo 4. 7.4 vemos que p(A) = p(2(ii)
T) = 1 e imag T = gen { ( 4 2)} . es un m-vector que denotamos con d = . La Ecuación dice que

Entonces v( T)

resolver el sistema Ax = O: ( ~ =~ ~
Teoret~a 2(iii)

2. Para encontrar NA = ker T reducimos por renglón para

o o oº) .
1 3
--6

= OJ Esto es

-6 3 -9 o o o Tx + +··· +
(i)
=

Esto significa que E NA si 2x - y + 3z = Oo y = 2x + 3z. Primero ha- Observación !l. Como en el Teorema 1, la unicidad de A T es relativa a las bases
B 1 y B 2 • Si cambiamos las bases cambiamos 8, 9 y 10 Y
ciendo x 1, z = O y entonces x = O, z 1, obtenemos una base para NA: Teorema

ker T = NA = gen { G} m} Demostración Sean Tv 1 = y 1 , Tv 2 = Y2, ... ,

1, 2, ... , n,
= Yn· Como y¡ E W, tenemos, para i =
292 CAPÍTULO 5 • TRANSFORMACIONES LINEALES 5.3 • La representación matricial de una transformación lineal 293
para algún conjunto (único) de escalares a 1¡, a 2¡, ... , am 1, y se tiene así y ª11 ª12 aln C¡

ª21 ª22 a2n C2

(AT(x)B)B =2

aml am2 amn Cn

Esto significa, por ejemplo, que y 1 a11 C1 + ü12C2 +. ' '+ a1nCn
se define a21 C1 + a22C2 + .. ' + a2nCn

= C1
Puesto que

(v,)•• = (l} (¡) . . ' m

(vi)•• = (v,)., = Análogamente, Tx = T(C¡V¡ + C2V2 + ... + GiVn )=c¡Tv 1+C2TV2+ ... + cnTvn ==
c 1 y 1 + c2 y 2 + · · · + CnYn· De esta manera (Tx)B 2 = Ar(x)Bi· La demostra-
ción de la unicidad es exactamente como la demostración de unicidad del
Teorema l. •
tenemos, como en la demostración del Teorema 1,
El siguiente resultado, de gran utilidad, se deduce inmediatamente del Teo-
i-ésima posición
rema 4.7.5 y generaliza el Teorema 2. La demostración se deja como ejercicio
(Problema 37).
o
ª11 ª12 aln
o Teorema 4 Sean V y W espacios vectoriales de dimensión finita -con dim V= n. Sea
ª21 ª22 ª2n T: V - W una transformación lineal y sea AT una representación matricial de T.
Entonces
Ay(v¡)B 1 =
a¡1 G¡2 ain
o i. p(T) = p(AT)
aml am2
ii. v(T) = v(AT)
amn
o iii. v(T) + p(T) = n

Si x está en V, entonces

Ejemplo 6 Sea T:P2 - P 3 definida por (Tp )(x) = xp(x ). Encuentre AT y úsela para deter-
minar el núcleo y la imagen de T.

Solución Usando las bases canónicas B 1 = {l, x, x 2 } en P 2 y B 2 = {l, x, x 2 , x 3 } en

tenemos (T(l)J., = (x) 8 , = (¡). (T(x)J., = (x'J., = (l), Y (T(x')).,

294 CAPÍTULO 5 • TRANSFORMACIONES LINEALES
5.3 • La representación matricial de una transformación lineal 295

(x3) s, = (!) · De esta manera Ar = ( ¡f º) o

~ . Evidentemente p(A)
.
3y
Solución
{ (_~),

Tenemos
(-~) }, calculamos AT.

T(_~)= (~) y T(-~)= C~). Puesto que , (~)= -6(_~)-

una base de RA es !(¡} (¡} (¡)) . Por lo tanto, irnag T =

2 (-~),
3
encontramos que
1 17
(~) = (=~t:
6 (- ) por lo que (- ) = ( ) . De esta manera AT = (-
2 ' -5 6 B 2
-2 6
Análogamente
6 17
). Para calcu-
(=~) = 17 (J+

gen{x, x 2 , x 3 }. Puesto que v(A) 3 - p(A) O, vernos que ker T = {O}. lar T(-~), por ejemplo, primero escribirnos (-~)=-13(_~)-3(-~)=

Ejemplo 7 Sea T:P3 --P2 definida por T(a 0 + + +a x

a 1 x a2 x 2
3
3
) +
= a 1 a2 x 2• Calcule y
(-~~t; Entonces [
T(-~) = T(-~~t~ AT(-~~) L~ (=~ ~)(-~~) L~ ( 1

úsela para encontrar núcleo e imagen de T.

(2~t =27(_~)+s(-~)= C1~).
2
Note que T(-~)= e:~~)= C1~),
Solución lo cual verifica nuestros cálculos.
Usando las bases canónicas B 1 (1, x, x 2 , x 3 } en P 3 y B 2 = { 1, x, x 2 } en P , in-
2

mediatamente vemos que (T(l)) 8 , = G), (T(x))n, = G), (T(x 2 ))s, = (~)Y Para evitar confusión, siempre calcularemos la matriz A con respecto a la
base canónica, a menos que se especifique de otra manera.* Si T: V- V es una
3
(T(x ))n 2 = (~) . De esta manera AT = (~ ¿ ~ ~). Evidentemente p(A) = transformación lineal y se usa otra base B, entonces nos referimos a A 1 como
la matriz de transformación de T con respecto a la base B. De esta manera, en
o o o 1 o
-6 17) es la matnz
. trans f ormac1on
. , de T con res-
2 Y una base de RA es {G) (~)}por lo que imag T = gen{!, x'}. Entonces
el ejemplo anterior, AT = ( _
2 6
pecto a la base { (_ ~ ), (-~)}.

v(A) 4- 2 2; y si A{~} m entonces a1 =O y a,= O. De aquí

Antes de terminar esta sección deberemos responder una pregunta obvia.
¿Por qué molestarnos en usar otra base diferente de la canónica, si los cálculos
son más complicados, como en el Ejemplo 8? La respuesta es que, con frecuen-
cia, es útil encontrar una base B* en lRn de modo que la matriz de transforma-
ción con respecto a B* sea una matriz diagonal. Las matrices diagonales son
muy fáciles de manejar y corno veremos en el Capítulo 6, existen
que a 0 y a 3 son arbitrarios y una base para muchas ventajas al escribir una matriz en forma diagonal.

una base para ker Tes {l, x3}.

2 2
Sea T: lR -?lR definida por T y = -lSx _(X) (
12x + . Encuentre A 7 con re~pec-

to a las bases B 1 = B2 = { (_ ~), (_ ~)}.

En todos los ejemplos de esta sección hemos obtenido la matriz usando la
base canónica de cada espacio vectorial. Sin embargo, el Teorema 3 es válido
para cualquier base en V y W. El siguiente ejemplo demuestra este hecho. Solución y

3(
2
-3
)=(
-3
º) .De esta manera
B2
Ejemplo 8 Sea T: definida por T(:) =e+:). Usando las bases B B= 1 2
* Esto es, en cualquier espacio donde tengamos definida una base canónica.
 5.3 • La representación matricial de una transformación lineal
.296 CAPÍTULO 5 • TRANSFORMACIONES LINEALES

Existe otra manera de resolver este problema. Los vectores (_~)y(_~) es- ª 1as bases B1 ={ G} C} (-n) Y B2 ={(~), (-!)}
tán escritos en términos de la base canónica S = { (~), (~)} . Es decir (_ ~) = Con respecto a las bases canónicas, la representación matricial de Tes C =
Solución
1(~)+(-1)(~) y (_~)=2(~)+(-3)(~). De esta manera la matriz A= (1 1 - 1). Del procedimiento presentado en la página 236, A, es la in-

~~ (~ ~o ~\esto (~ - o~ - ~)·Análogamente,
1 2
( -1 ) es la matriz cuya primera y segunda columnas representan las
-3 v:rsa l_ - es, A.1 1 =
expansiones de los vectores en 8 en términos de las bases canónicas. Entonces
1
1
1) - 1 1
1 3 2 1 1
del procedimiento descrito en la página 255, la matriz A - = ( ) es la 4 -1)- _ L ( 5 ) Entonces de la Ecuación (3),
-1 -1 (3 5 - 23 -3 4 . . '
matriz de transición de S a B 1• Análogamente, la matriz A es la matriz de tran-

-~)
-1
sición de B 1 a S (vea Problema 4.9.38). Ahora supongamos que x está escrito
en términos de B 1 • Entonces Ax es el mismo vector pero escrito en términos Ar= A1CA1 =
1 ( 5
_
23 3
--1
:)(~
1
-1 -~)(~ 1
o
de S. Sea C = ( _ 112 _ 10)1 . Entonces CAx = T(Ax) es la imagen de Ax ex- o -3 -8)
5 3
presada en términos de S. Finalmente, puesto que queremos T(Ax) en térmi-
nos de B 1 (que eso era el problema), multiplicamos del lado izquierdo para la
= ;3 (_~ ~)(~ -3
-2) 1 ( 3
2 = 23 12 -12 14
1
matriz de transición A - 1 para obtener (Tx)B 1 = (A- 1 CA)(x)B 1 • Es decir,
· 1o, sea,...-
Por eJemp ,. . -(2) · Entonces, Tx = (- 41) en términos de las bases canó-
A _ A-icA _ ( 3 2)( 12 10)( 1 2)- ( 3 2)·( 2 -6)9
T- - -1 -1 -15 -13 -1 -3 - -1 -1 -2

= (~ -~)
' .
nicas. En termmos de B, vemos que (x)., -
4 - (1) (1) (-1)
~ "•
=lo
2 1
+~
'
1
O
+

como antes. Resumimos este resultado a continuación.

Teorema 5 Sea T: !Rn ~!Rm una transformación lineal. Suponga que Ces la matriz trans-
~ ~). Finalmente, en términos de las bases B1
1
formación de T con respecto a las bases canónicas S 11 y S 111 en n;r y !hr, respecti- - Y B2 verificamos que
(
vamente. Sea A 1 la matriz de transición de S a la base B 1 en !Rn y sea la
11

matriz de transición de s/11 a la base B2 en !Rm. Si A T denota la matriz de trans-

formación de T con respecto a las bases 8 y B2 , entonces
1
23

(Tx)B, = AT(x)B, = 23 12
1(3 -3 -12
-8)(~)
14 : =
1(-1)- (--A)
23 19 - ~

En el Ejemplo 9 vimos que en la transformación lineal T con respecto a una A de la

nueva base, la matriz de transformación AT resultó ser una matriz diagonal. En los Problemas del 1 al 30 encuentre la . T ..

Volveremos a este procedimiento de "diagonalización" en la Sección 6.3. Esto transformación lineal T, ker T, imag T, v( T) Y p( T). A meno~ q.ue se especift-

q:1.e :e :~~ :,~d:,(:)u~o(n::::)s que B Y ~,:on~:::, ;c:;x):a(s·: + ~)

2
es, dada una transformación lineal de !Rn en !Rn, veremos que con frecuencia es 1

posible encontrar una base B tal que la matriz de transformación de T con res-
pecto a B sea diagonal. y -x + Y Y 2x + 3y

4. T: IR2~1R2. T(x) (ªxex++dby)

Ejemplo 10 Sea T: IR 3 ~IR 2 defm1da por T
. . X) x+y-z
(z 2x-y + z ) . Encuentre
y =( AT con respecto
' y
=
y
1--------------------
298 CAPÍTULO 5 • TRANSFORMACIONES LINEALES 5.4 • Isomorfismos 299
31. Sea T: Mmn __,. Mnm dada por TA = AT. Encuentre AT con respecto a las bases ca-
5. T: nónicas en Mmn Y Mnm·

*32. Sea T: (: 2 __,. (:

2
dada por r(x)
y
= ( X~ iy ). Encuentre AT.
(l+i)y-x
6. T: O 33. Sea V = gen {1, sen x, cos x}. Encuentre Aª' donde D : V__,. V está definida por
D f (x) = f' (x). Encuentre imag D y ker D.
O 34. Responda a las preguntas del Problema 33 dado V = gen {e·\ xex, x 2ex}.
2 2
7. T: 35. Sea T: C __,. C dada por Tx = proyHx, donde H = gen {(1/J2)(1, i)}. Encuen-
tre A T·
36. Demuestre el Teorema 2.
37. Demuestre el Teorema 4.

8. T:

9. T: S.4 Isomorfismos
En esta sección introducimos una terminología importante y demostramos un
10. T:
teorema que nos dice que todos los vectores espaciales de dimensión n son
''esencialmente'' los mismos.
z}
o(Dl ~
= ex+y+

~{ G}
Definición 1 Transformación biunívoca. Sea T: V - W una transformación lineal. Entonces
y-3zB, B, { (J, G)} T es una transformación biunívoca o uno a uno, y se simboliza por 1-1, si

12. T: ~'~~'; r(:)+:y=~): B, ~ {e), G)} B,~{(-;}(~} G)}

13. T: P2--?>P3; T(ao+a1x+a2x 2)=a 1 -a 1 x+a 0 x 3
14. T: !R--?>P3; T(a)=a+ax+ax 2+ax 3 Esto es, Tes 1-1 si todo vector w en la imagen de Tes la imagen de a lo sumo
15. T: P3--?>!R; T(ao+a 1 x+a 2x 2+a 3 x 3 )=a 2 un vector en V.
16. T: P3--?>P1; T(ao+a 1 x a 2x 2 =(a 1 +a 3 )x-a 2
17. T: P3--?>P2; T(ao+a 1 x+ =(a 0 -a 1 +2a 2 +3a 3 )
+ (a1+4a2 + 3a3)X + (a 0 + 6a 2 Teorema 1 Sea T: V -- W una transformación lineal. Entonces Tes 1-1 si y sólo si ker T =
18. T: M 22 ---?M22 ; T ( ea b) (a - b + 2c + d -a +2c +2d)
=
{O}.
d a -2b +5c +4d 2a-b +e d
19. T: b) (ª + b e + d a :+e)
=
Demostración Suponga que ker T = {O} y Tv 1 = Tv 2 • Entonces Tv 1 - Tv 2 =
O, lo cual significa que (v 1 - v2) E ker T = {O}. De esta manera v 1 - v2 O,
d a +b
20. T: P2---?P3; T[p(x)]=xp(x); B 1 ={1, x, B2 = {1, (1+ x), (1 por lo tanto v 1 = v 2 , lo cual demuestra que Tes 1 -1. Ahora suponga que T
(1 + x)3} es 1-1 y v E ker T. Entonces Tv = O. Pero además TO = O. De esta manera,
o 21. D: P4--?> P3; Dp(x) = p'(x) O 22. T: P 4--?> P 4; Tp(x) = xp'(x)- p(x) puesto que Tes 1-1, v = O. Esto completa la demostración. 11
º* 23. D: Pn---? Pn-1; Dp(x) = p'(x) O 24. D: P 4--?> P 2; Dp(x) = p"(x)
º*25. T: P4---?P4; Tp(x)=p"(x)+xp'(x)+2p(x)
0*26. D: Pn--?>Pn-k; Dp(x)=p(kl(x)
D*27. T: P,,--?>P"; Tp(x)=x"p<"l(x)+x"- 1 p("- 1 \x)+·. ·+xp'(x)+p(x)
Ejemplo 1 Sea T: IR 2 ~ IR2 definida por r(x) = (
y
X -
2x +y
y). Fácilmente encontramos que
O 28 • J: Pn -?>IR; lp = Sii p(x) dx 29. T:

a3-a2)
a+ bx +cx 2
AT = G-~)y p(AT) = 2; de aquí v(AT) =O y NAr = ker T ={O}. De
= a 1 +a 3 esta manera T es 1-1.
(
a2-a 1
 5.4 • Isomorfismos 301
300 CAPÍTULO 5 • TRANSFORMACIONES LINEALES

T(C¡V¡ + C2V2 + ... + cnvn) = C¡ Tv¡ + C2TV2 + ... + cnTvn = C¡W¡ +

C2W2 + ... + cnwn = o. De esta manera V E ker T y ker T =f. {O}.
Ejemplo 2 Sea T: fR 2 ----7 fR 2 definida por r(x)y = ( 2x-2yy) . Entonces
X - (
1
= 2 ·--2 '
- l) ii. Si v E V, entonces v = a 1v 1 + a 2v2 + · · · + a 11 v 11 para algunos escala-
res a¡, ª2' ... ' an y Tv = a¡TV¡ + a2TV2 + ... + anTvn = a¡W¡ +
p(Ar) = 1 Y v(Ar) = l; de aquí v(T) = 1 y Tno es 1-1. Note, por ejem- a2W2 + ... + anwn. De esta manera {W¡, W2, ... , wn} = {Tv¡, Tv2, ... , Tvn}
genera imag T. Entonces, del Problema 4.6.29, p( T) = dim imag T ::::; n.
plo, que TG) O= T(~). Puesto que m > n, esto muestra que imag T =f. W. De esta manera T no
es sobre. •

Definición 3 Isomorfismo. Sea T: V - W una transformación lineal. Entonces Tes un iso-

Definición 2 Transformación sobre.Sea T: V - W una transformación lineal. Entonces T se
morfismo si T es 1-1 y sobre.
deno~ina transformación sobre W o, simplemente, sobre, si para toda w E
~.existe al menos una v E V tal que Tv = w. Es decir: Tes sobre W si y sólo Definición 4 Espacios vectoriales isomórficos. Se dice que los espacios vectoriales V y W son
s1 zmagT = W. isomorfos si existe un isomorfismo T de V sobre W. En este caso escribimos
v~w.
Observación. La palabra "isomorfismo" proviene del griego isomorphos que
Ejemplo 3 En el Ejemplo 1, p (Ar) = 2; de aquí imag T = IR 2 y Tes sobre. En el Ejem- significa "de igual forma" (iso = igual; morphos = forma). Después de

plo 2, p(A r) = 1 e imag T = gen { G) }f!R 2

; de aquí que T no es sobre.
unos cuantos ejemplos veremos cuán estrechamente están relacionadas las
"formas" de espacios vectoriales isomorfos.

Sea T: !Rn ~[Rn y sea Ar la representación matricial de T. Sabemos que Tes

1-1 si y sólo si ker T = {O}, lo cual es verdad si y sólo si v (Ar) = O si y sólo
Teorema 2 Sea T: V- W una transformación lineal y suponga que dim V= dim W = n. si det Ar =f. O. De esta manera podemos ampliar el Teorema Resumen (visto
por última vez en la página 225) en otra dirección.
Teorema 4 Teorema resumen, Versión 1. Sea A una matriz de n x n. Entonces los diez si-
i. Si Tes 1-1, entonces Tes sobre. guientes enunciados son equivalentes. Es decir, si uno es válido, todos son
ii. Si Tes sobre, entonces Tes 1-1.
válidos.
i. A es invertible.
ii. La única solución para el sistema homogéneo Ax = Oes la solución trivial
(x = 0).
Demostración Sea Ar la representación matricial de T. Entonces T 1-1, ker T = {O} m. El sistema Ax = b tiene una única solución para todo n-vector b.
Y v(Ar) =O, lo cual significa que p(T) = p(Ar) n - O n por lo que iv. A es equivalente por renglón a la matriz identidad / 11 de n x n.
imagT = W. Si Tes sobre, entonces p(Ar) = n por lo que v(T) v. A puede ser expresada como el producto de matrices elementales.
v (A r) = O y T es 1-1. • vi. Los renglones (y las columnas) de A son linealmente independientes.
vii. det A =f. O.
viii. v(A) = O.
Teorema 3 Sea T: V - W una transformación lineal. Suponga que dim V = n y que
dim W = m. Entonces: ix. p (A) = n.
x. La transformación lineal T de fR 11 a IR 11 definida por Tx Ax es un iso-
i. Si n > m, T no es 1-1. morfismo.
ii. Si m > n, T no es sobre.
Veamos ahora algunos ejemplos de isomorfismos entre otros pares de espa-
cios vectoriales.
Demostración i. Sea {v1, Vz, ....' Vn} una base para V. Sea W¡ = Tv¡ para i = 1, 2, ... , n v
observe el conjunto = {W¡, W2, ... 'wn}. Puesto que m = dim w < n ~¡
s
conjunto Ses linealmente dependiente. De esta manera, existen escal¡res
no todos ceros tales que C¡W¡ + C2W2 + ... + cnwn = o. Sea V = C¡V¡ + 2
Ejemplo 4 Sea T: IR 3 - P 2 definida por T (:) = a + bx +ex • Es fácil verificar que Tes
C2V2 + + cnvn. Puesto que las V¡ son linealmente independientes, y
puesto que no todas las C¡ son cero, vemos que v =f. O. Pero Tv =
30!l CAPÍTULO 5 • TRANSFORMACIONES LINEALES
5.4 • Isomorfismos 303

Teorema 6 Sean V y W dos espacios vectoriales de dimensión finita con dim V= dim W.
lineal. Suponga que T(:) =O= O+ Ox + Ox 2 . Entonces a = b =e =O. Es de- Entonces V= W.

cir, kerT ={O} y Tes 1-1. Sip(x) = a 0 + a 1x + a 2x 2, entoricesp(x) =
Esto significa que imag T = P 2 y Tes sobre. De esta manera [R. 3
o Ejemplo 5 Sea V==: {f E C' [O, 1]: f(O) = O} y W = C [O, 1]. Sea D: V-+ W dada por
Df =f. Suponga que Df = Dg. Entonces f' = g' o (f- g)' = O y f(x) -
g(x) = e, una constante. Pero f (O) = g(O) = O, por lo que e = O y f = g.
De esta manera Des 1-1. Sea g E C [O, 1] y sea f (x) = f~ g(t) dt. Entonces,
del Teorema Fundamental del Cálculo, f E C' [O, 1] y f' (x) = g(x) para
toda x E [O, l]. Más aún, puesto que fg g(t) dt = O, tenemos f (O) = O. De es-
ta manera, para toda g en W, existe una f E V tal que D f = g. Por esto D
es sobre y hemos mostrado que V= W.
El siguiente teorema muestra la analogía de dos espacios vectoriales isomor-
fos.
Teorema 5 Sea T: V- W un isomorfismo.
i. Si V¡, V2, ... , vn genera V, entonces Tv¡, Tv2, ... ' genera w.
ii. Si Vi, V2, . . • , vn son linealmente independientes en V, entonces Tv 1 , Tv 2 ,
... , Tv n son linealmente independientes en W.
m. Si {vi, V2, . . . 'vn} es una base en V, entonces {Tvi, ... ' Tvn} es una
base en W.
iv. Si V es de dimensión finita, entonces W es de dimensión finita y dim V=
dim W.
Demostración Sea {vi, V2, . . . 'vn} una base para V y sea {wi, W2, ... 'wn} una base para W.
Defina la transformación lineal T por
=P 2
.
Tv;=w¡ para i = 1, 2, ... , n (2)
Por el Teorema 5 .2.2 existe exactamente una transformación lineal que satisfa-
ce la Ecuación (2). Suponga que v E V y Tv = O. Entonces, si v = e 1v 1 +
e 2v2 + · · · + envn, tenemos Tv = e 1 Tv 1 + · · · + enTvn = e¡W¡ + e2W2 +
. .. + cnwn = O. Pero, puesto que W¡, W2, ... , Wn son linealmente indepen-
dientes, c 1 = c2 = · · · =·en = O. De esta manera v = O y Tes 1-1. Puesto
que Vy W son de dimensión finita y dim V = dim W, Tes sobre por el Teore-
ma 2 y la demostración está completa. 111
El último resultado en esta sección utiliza el material de la Sección 1.11. En
esta última definimos las inversas derechas e izquierdas de una matriz rectan-
gular. En el Teorema 5 se vio que la transformación lineal T: V._ W no puede
ser un isomorfismo si dim Vi= dim W. Sin embargo, puede ser una transfor-
mación 1-1 o una suprayectiva.
La demostración del siguiente teorema se deja como ejercicio (vea Proble-
mas 21 y 22).
Teorema 7 Sea T: V -- W una transformación lineal con dim V = n y dim W = m. Sea
A T la representación de la matriz de m x n de T con respecto a las bases B 1
de V y B 2 de W. Entonces
i. Tes suprayectiva si y sólo si A T tiene inversa derecha.
ii. T es 1-1 si A T tiene inversa izquierda.

Problemas
Demostración i. Sea w E W. Entonces, puesto que T es sobre, existe una v E V tal que
Tv=w. Puesto que las v 1 generan V, podemos escribirv= a 1 v 1 +a v +
2 2
. . . + anvn por lo que w = Tv = a¡TV¡ + a2TV2 + ... + y esto 1. Muestre que T: M 111 n - Mnm definida por TA = A 1 es un isomorfismo .
muestra que {Tvi, Tv2 , ••. , Tvn} genera W. 2. Muestre que T: !Rn ~IR" es un isomorfismo si y sólo si AT es invertible.
ii. Suponiendo que e¡TV¡ + + ... + enTvn O. Entonces, si * 3. Sean Vy W espacios vectoriales reales de dimensión n y sean B 1 y B 2 bases para
T(e1v1 + C2V2 + · · · + = O. De esta manera, puesto que Tes 1-1, V y W, respectivamente. Sea A T la matriz transformación relativa a las bases B 1
e¡V¡ + C2V2 + . : . + cnvn O, lo cual implica que e¡ = C2 = ... = y B 2 • Muestre que T: V - W es un isomorfismo si y sólo si det A T 4' O.
en = Ü puesto que las V¡ son independientes. 4. Encuentre un isomorfismo entre Dn, la matriz diagonal den x n con entradas rea-
fü. Esto se deduce de las partes (i) y ( ii). les, y IR". [Sugerencia: Observe primero el caso n = 2.]
iv. Esto se deduce de la parte (iii). 11 5. ¿Para qué valor de m el conjunto de mattices simétricas den x n es isomorfa a !Rm?
6. Muestre que el conjunto de matrices simétricas den x n es isomorfo al conjunto
En general, es difícil demostrar que dos vectoriales de dimensión de matrices triangulares superiores de n x n.
infinita son isomorfos. Sin embargo, para espacios de dimensión finita, es 7. Sea V= P 4 y W {p E P 5 : p(O) = O}. Muestre que V= W.
muy fácil. El Teorema 3 muestra que si dim V =f.: dim W, entonces Vy w no D 8. Sea T: Pn - Pn definida por Tp = p + p'. Demuestre que Tes un isomorfismo.
son isomorfos. El siguiente teorema muestra que si dim V = dim W y si v 9. Encuentre una condición para los números m, n, p, q tal que M 11111 =
Y W son vectoriales reales, entonces V y W son isomorfos.
10. Muestre que Dn =Pn-1·
 5.5 • lsometrías (opcional) 305
304 CAPÍTULO 5 • TRANSFORMACIONES LINEALES

11. Demuestre que dos espacios vectoriales complejos cualesquiera V y W de dimen- Entonces
sión finita con dim V = dim W son isomorfos.
12. Sea T: C [O, 1] - C [3, 4] definida por Tf (x) = f (x - 3). Muestre que Tes un
isomorfismo.
Ax=
13. Sea B una matriz invertible den X n. Muestre que T: Mnm - Mnm definida por
TA = AB es un isomorfismo.
O 14. Muestre que la transformación Tp(x) = xp' (x) no es un isomorfismo de Pn en Pw
15. Sea H un subespacio del espacio producto interior V de dimensión finita1 Muestre
que T: v- H definida por Tv = proyHv es sobre. ¿En qué condiciones será 1-1? donde r¡ denota el i-ésimo renglón de A Y
16. Demuestre que si T: v- W es un isomorfismo entonces existe un isomorfismo. m

S: w- V tal que S(Tv) = v. Aquí Ses llamada la transformación inversa de T (Ax)· y= (r 1 • x)Y1 + (r2 • x)y2 + · · · + (rm • x)ym = i~l (r¡ • x)y¡ (2)
y se denota r- 1•
17. Demuestre que si T: [R" - [R está definida por Tx = Ax, y si Tes un isomor-
11

fismo, entonces A es invertible y la transformación inversa r- 1 está dada por aiixi . De esta manera de obte-
r- 1 x = A- 1x.
18. Encuentre T- 1 para el isomorfismo del Problema 7. nemos
* 19. Considere el espacio C = {z =a+ ib, donde a y b son números reales e i 2 = -1 }. n
Muestre que si los escalares se consideran reales, entonces C=fR 2 • (Ax) ·y= L aiixiyi (3)
* 20. Considere el espacio e~ = { ( C¡' C2, ... ' en): C¡ E e y los escalares son los reales}. j=l

Muestre que IC~ ~ rR 2 n. [Sugerencia: Vea Problema 19.]

Ahora
* 21.Demuestre el Teorema 7(i). [Sugerencia: Use el Teorema 1.11.1' .]
* 22.Demuestre el Teorema 7(ii). [Sugerencia: Use el Teorema 1.11.2' .]
5.5 lsometrías (opcional)
En esta sección describiremos un caso especial de transformación lineal entre
espacios vectoriales. Comenzaremos con un resultado muy útil.
por lo que
Teorema 1 Sea A una matriz de m x n con componentes reales.* Entonces para dos vecto-
res x E !Rn y y E !Rm cualesquiera:

Demostración Demostraremos la Ecuación (1) por un método directo, calculando ambos la- de Enton-
donde ci denota la columna de A ( =
dos separadamente y haciendo ver que son iguales. Así
ces

·x= + +·. ·+

A= x= y=
aiiYi· De esta manera, de obte-
Peroci ·y= a1iY1 + ª2iY2 + ... + amiYm =
nemos
•y
·x=

* Este resultado puede extenderse fácilmente a matrices con componentes completas. (Vea Pro-
blema 21.) y el teorema está demostrado. !11
306 CAPÍTULO 5 • TRANSFORMACIONES LINEALES

5.5 • lsometrías (opcional) 307

Recuerde de la Sección 4 1o .
t
1 . . . · que una matnz Q con componentes reales es or-
ogona si Q es m_verti~le Y Q- 1 Q 1 • En el Teorema 4.10.3 ·demostramos que Demostración i. Si i :f j y U¡ • uí =O, entonces (TuJ · = ui · ui =O, lo cual prueba (i).
Q es ortogonal s1 y solo si las col d Q f ii. Sea u 1 , u 2 , . . . , un una base ortonormal para !Rn . Entonces por la parte
d !R Ah umnas e orman una base ortonormal
e n· ora, sea Q una matriz ortogonal de n x n y sea T. !Rn l t y el hecho de que \Tu¡ 1=\u¡1=1, tenemos que es un
formac·, 1· l d f' 'd . --+ a rans-
1on mea e m1 a por Tx = Entonces usando la Ecu ·' (1) l conjunto ortonormal en !Rn. Por el Teorema 4.10. l estos vectores son li-
lamos ( Tx = . _ . ' ac1on ca cu-
1 · Qx Qy - x
1
(Q Qy) = x · (/y) = x · y. En particu- nealmente independientes y por lo tanto forman una base de !Rn. De esta
ar, s1 x y, vemos que Tx Tx = x · x0 bien manera imag T = IR\ lo cual prueba que ker T = {O} (puesto que
v(T) + p(T) = n). 11!1
ITxl = lxl (5)
para toda x en ¡¡:~_r.
Teorema 3 Sea B = {ui, u 2 , ••• , un} una base ortonormal de !Rn. Entonces T: !Rn ~!Rn es
una isometría si y sólo si AT es ortogonal, donde AT es la representación matri-
uermu:.·1on 1 cial de T relativa a la base B.
lsometría. Una transformación lineal T: [Rn --+ !Rn se llama isometrz'a si para to-
da x y y en [Rn,

Demostración Suponga que es ortogonal con respecto a B. Entonces, como hemos visto
con anterioridad, Tx · Tx = ATx · ATx = x · x, por lo que Tes una isometría. Si T
es una isometría, entonces x ·y= Tx · Ty = ATx · x · A;,ATy. Esto sig-
nifica que para todos los vectores x y y en !Rn, x·(y =O. Por lo tanto
(y- A;,AT) E (!Rn )_L ={O}. De esta manera y= A;,ATY para todo y 'E !Rn lo cual
Deb~~o ª.la Ecuación (6) podemos decir: Una isometría en [Rn es una transfor- significa que A;,AT = I y A;,= A~ 1 • De esta manera AT es ortogonal y el teo-
macton !mea! que conserva el producto escalar en !Rn. rema está demostrado. 11

Concluimos esta sección indicando cómo podemos extender el concepto de

isometría a un espacio producto interior arbitrario.
CJ"1!111JIO 1 Sea T: lR -l> !R un operador lineal que hace girar a c~da vector en (R2 un
2 2
Definición 2 lsometria. Sean V y W espacios producto interior reales (o complejos) y sea
ángulo e. Entonces, como vimos en el Ejemplo 5.1.8, Tx = donde
T: V - W una transformación lineal. Entonces Tes una isometrfa si para toda
8 -sen
8 cos e
º) · Pero Ae es una matriz ortogonal, por lo que Tes una V¡, V2 E V,

isometría.[ P(ar)a] verificar note que = (: sce~::: ::~ !) y 1T(;) I' =

· T ; = [x cos e - y sen () ]2 + sen e + y cos e]2
cos Osen() +. y 2 sen 2 ()) +
sen ecos e + cos 2 e) Nota. Por la Ecuación (7), si Tes una isometría entonces (usando la Ecuación
4.11.3) vemos que
O + sen 2 ()) + e+ cosz e) x2 + v2

De esta manera IT(;)I i(;)I·

Las isometrías tienen algunas

Sea T: rrnn __,.rrnn ·

U'<> U'<> una 1sometría. Entonces Definición 3 Espacios vectoriales isométricamente isomórficos. Se dice que dos espacios vecto-
riales V y W son isométricamente isomorfos si existe una transformación lineal
i. T: V - W que sea una isometría y un isomorfismo al mismo tiempo.
es
H.
Teorema 4 Dos espacios producto interior reales cualesquiera de dimensión n son iso-
métricamen te isomorfos.
308 CAPÍTULO 5 • TRANSFORMACIONES LINEALES
5.5 • lsometrías (opcional) 309
Demostración Sean· {u 1 , u2 u }Y {
pectivament' · ;¡ ' T.
w 1' w z, · · · ' w n} bases ortonormales de V y W, res- Aquí hemos ahorrado tiempo pues usamos el hecho de que {l, J3(2x -1),
w. i = l 2 e. ea s· · v- W la transformación lineal definida por Tu¡ = .J5(6x2-6x + l)} es una base ortonormal. De esta manera T: !R 3 ~ P 2
h ib ' ' · · ·.'
n. 1 podemos demostrar que T es una isometría entonces
a remos termmado pues ra d .' [O) 1] es una isometría.
2 , po d emos ver que T también
' zonan o como en la demostración del Teorema
. ..
existen con3·untos de nu' es ul n isomorfismo. Sean x y y en V. Entonces
X = C U +e U + + meros rea es c 1 ' e2 ' ••• ' en Y d 1' d 2' . . . , dn ta1es que
1 1 2 2 ... CnUn Y Y=d1U1+d2U2+·. ·+du
Puesto que las U¡ son ortonormales (x y) - [( n n. Problemas 5.5
(d¡U¡ + d1U2 + ..•. + d U )] = C d' +' d- C¡U¡ + C2U2 + ... + CnUn),
puesto que Tx = e Tu + n n 1 1 e2 2 + · · · + e nd n· A na'l ogamente
1 1 Cz 71ll2 + ... + cnTUn = c 1w 1 + e w + · · · + 1. Muestre que para todo número real e, la transformación T: IR 3 -?IR 3 definida por
cnwn, entonces obtenemos (Tx Ty) = [(e w + -z 2 Tx = Ax, donde
(d¡W¡ + d 2W + . . . d ) ' 1 1 C2W2 + . . . + CnWn),
2 + nWn ] = C¡d¡ + C2d2 + ... + Cndn pues las W· son seno cos 8 O~)
ortonormales. Esto completa la demostración. 111 1
A= cos O -seno
(
o o
es una isometría.
mostrando que IR3 YP2[0, 1] son isométricamente iso- 2. Haga lo mismo para la transformación T donde

morfos. En ~3 usamos la base estándar { G} G}

base ortonormal {1 S(2
mJ En P, usamos la
A= (co~ O
sene
~ -s~ne)
O cos 8
a 'v .J x - 1)•v.)
h5(6 2
x - 6x + 1)}. •
(Vea E3emplo 4.11.8.) 3. Sean A y B matrices ortogonales den x n. Muestre que T: IRn -?IR" definida por

=(::)Y y= CD en ~ 3 • Entonces (x, =x ·y=

Tx = ABx es una isometría.
Sean x y) a,a 2 + h¡b( +)c c
21
1 2.
4. Encuentre AT si Tes la transformación de IR 3 -?IR 3 definida por

Recuerde que en P 2 [0, l] definimos (p, q) = f!, p(x)q(x) dx. Ahora T ~ = 1, T

2/3)
1/3 = (1/./2)
1/./2 1/3) = (-1/../6)
T 2/3 1/J6
2/3)
T -2/3 =
( 1/J3)
-1/J3
( ( (
-2/3 o 2/3 21../6 1/3 11J3
Demuestre que AT es ortogonal. -
T(D =
2
.J3( x-1), Y T(f) 2
= F5(6x -6x + 1); por lo tanto T(c:) = 5. Sea T: IRn -~iR" wn la propiedad de que 1Tx1 = 1x1 para toda x E IR".
Demuestre que Tes una isometría. [Sugerencia: Muestre primero que x · y =
a+ b.J3(2x-1)+c.J5(6x 2 -6x + 1) y Wx + yJ2 - Jxj2 - Jyj2).]
6. Sea T: IR2 -?!R 2 una isometría. Muestre que T conserva los ángulos. Esto es:

(Tx, Ty) = f [a, +b,.J3(2x-l)+c 1Fs(6x 2 -6x + l)]

(ángulo entre x y y) = (ángulo entre Tx y Ty).
7. Dé un ejemplo de una transformación lineal de IR2 a IR 2 que conserve los ángulos
y que no sea una isometría.
X [a2 + b2J3(2x -1) + c2.J5(6x 2-6x + l)] dx

r r r
8. Para x, y E IR" y x y y =F O, defina: (ángulo entre x y y) = t,.. (x, y) = cos- 1
[ (x · y)/ 1x1 1y1]. Muestre que si T: IR" -?IR" es una isometría, entonces T conser-
=a, a2 dx + b1b23(2x -1)2 dx + C1C2[5(6x2-6X + 1)2] dx va los ángulos.

+ (a,b2 + a2b1) r .J3(2x -1) dx

9. Sea T: IR"-?IRn una isometría y sea Tx
metría.
= Ax. Muestre que Sx = A- 1x es una iso-

+(a, C2 + ü2C1) r vfs(6x 2 -6x + 1) dx

En los Problemas del 10 al 14 encuentre una isometría entre los pares de espa-
cios dados.
010. P 1 [-l, l],IR 2 º*11. P 3[-1, 1],IR4 *t2. M 22 ,IR 4 º*13. M 22 ,P3[-l, 1]

+ (b1C2 + b2C1) r[ .J3(2x -1)][vfs(6x 2 -6x + l)J dx

14. Dn y IRn (Dn =conjunto de matrices diagonales den X n).
15. Sea A una matriz den x n con componentes complejas. Entonces el conjugado de

A, denotado A*, se define como (A*)u = Calcule A* si A =

1 + i -4+2i)
( 3 _ i ·
6 3
310 CAPÍTULO 5 • TRANSFORMACIONES LINEALES

16. · L a matriz compleja A d e .n x n se llama hermitiana si A * =

matriz A
= ( 4 3- 2i) A· Muestre que la CAPÍTULO
3 + 2i 6 es hermitiana.

17. Muestre que s·l A es herm1t1ana,

..
La matriz compleja A de n X n
entonces las com
ll
. .
. ponentes diagonales de A son reales.
Val r s , . ,
ar et r1st1c
18. matnz se ama umtarza si A* = A -r · Muestre que la

3-2!)
(
~
A= 2
l+i
726
-3+2i
e tor s
es unitaria.
19. en
Muestre
C" . que A es unitaria s1. y solo
2 JU

, si. las columnas de ,,4 forman una base ortonormal ra rísti ~ •

21 Muestre que si A es umtana
20. . . entonces 1 det A 1 = 1
. Sea A una matriz de n x n . f rmas n 1
Y~= (d1, d1, ... , dn), de~ic: componentes.complejas.
c"d"' (Ejemplo 4.11 2 ) D
En C", si x = e
a el producto mterior (x, Y) ~
e d + (2 2 e,. ... ' e")d'
M · · emuestre que (Ax, y) = (x A* ) 1 1 c + ... + Valores característicos y vectores
*22. uestre
· , que
. dos espacios
. producto int · .' Y.
mens10n (fmita) son isométricamente is~:~r~~~1ple3os cualesquiera de la misma di-
6.1
característicos
Sea T: V- V una transformación lineal. En una gran variedad de aplicaciones
(una de las cuales se da en la siguiente sección), resulta útil encontrar un vec-
Ejercicios de repaso • Capítulo 5
tor ven V tal que Tv y v sean paralelos. Esto es, buscamos un vector v y un es-
En los Ejercicios del 1 al 6 determme
lineal. . si la transformación dada de V a W es calar 'A. tal que (1)
Tv ='Av

l. T: IR2~1R2·, T(x, y)=(O -y)

rni2 ~IR 2; T(x, y)= x/y'
2. T:
4 p ~IR3.' T( x, y, z)=(l, y, z)
T· IR3 *
Si v O y }- satisface ( 1) entonces }- se denomina valor característico de T y V
3 • T·• iN · 6. T. i~P2; (Tp)(x)=xp(x) se \lama vector característico de T correspondiente al valor característico}-, El
5. T: P2~P2; (Tp)(x)=l+p(x) . : C[O lJ~ C[O 1] propósito de este capítulo es el de investigar algunas propiedades de los valores
En los Ejercicios del 7 al 12 h ll ' ' ; Tf(x) = f(l) y vectores característicos. Si V es de dimensión finita, entonces Tpuede repre-
~;~al d~da y encuentre el n:fc:1::aor¡:;,~:int~ción matricial de la transformación sentarse por una matriz Ar Por esta razón discutiremos valores y vectores
rans; ormación · , a imagen, la nulidad y el rango de
característicos de matrices de n X n.
7· T··
IR4~1R2·
íll) 2 __~rrn2.
~ -_,,,~, T(x,y)=(O -y)
9. T:
10. T: p ' T(x ,y,z,w)~(x-2z
' 8. T:
2y+3 ) fh\!3 --> IR2 : T(x.y,z)~(y,z) Valor característico y vector característico. Sea A una matriz de n x n con com-
3~P4; (Tp)(x)=xp(x) ' w Definición 1 ponentes reales*. El número}- (real o complejo) se llama valor caractedstico
de A si hay un vector V distinto de cero en en tal que
11. T: M 22~M22; TA= AB, en donde B = (-~º)
12 . T : ~' ~IR;
, T(x,y)=(x-y,2x+3y); B1={(l) 2 (1)}· {(-1 4
13. Encuentre el isomorfismo de T. p - ' 1' 2 , B, ~ 3 ). (1)}
, d e T: IR2. - 2 p l [ IR1., l].
14. Encuentre la isomet na

' Esta definición también es válida si A tiene componentes complejas; pero como las matrices
que utilizaremos en la mayoria de los casos tienen componentes reales, la definición será suficiente

para nuestros propósitos.

312 CAPÍTULO 6 • VALORES CARACTERÍSTICOS 1 VECTORES CARACTERÍSTICOS y FORMAS CANÓNICAS 6. 1 • Valore~ característicos y vectores característicos 313
El vector v *O se llama un vector característico de A correspondiente al valor Teorema 1 Sea A una matriz den x n. Entonces A es un valor característico de A si y sólo si
característico A..

Nota. La palabra eigen significa "propio" o "apropiado" en alemán. Los va- p(A) = det (A -Al)= O
lores característicos se llaman también valores propios 0 autovalores, y los
vectores característicos, vectores propios o autovectores.
Definición ~ Ecuación característica y polinomio característico. La Ecuación (4) se conoce como
Observación. Como v.eremos (en el Ejemplo 6) una matriz con componentes rea- la ecuación característica de A; p(f..) se conoce como el polinomio característi-
les puede tener valores y vectores característicos complejos. Esta es la razón co de A.
por la que dijimos que V E en. En este libro no se utilizarán muchos resulta- De los ejemplos resultará evidente que p(f..) es un polinomio de grado n
dos acerca de los números complejos. Para una discusión de los resultados que
se utilizarán, vea el Apéndice 2. en f... Por ejemplo, si A=(; !), entonces A-Al=(; !)-(~ ~) =
( a-A. b )yp(f..)= det(A-A/) = (a-f..)(d-A.)- be= f.. 2 -
c d-A.
( ~ =~~)-Entonces A(~)= (1~
1
Ejemplo 1 Sea A= = ~~)(~) =(~). De esta manera (a + d)f.. + (ad - be).
Por el teorema fundamental del álgebra, todo polinomio de grado n con coe-
A1 = 1 es un valor característico de A correspondiente al vector característico ficientes reales o complejos tienen raíces exactamente (contando multiplicida-
v, = (~)- Análogamente, A(~)= (1~ =~~)(~) ={=~) =-2(~). por lo des). Con esto queremos decir que, por ejemplo, el polinomio (A - 1) 5 tiene
cinco raíces, todas iguales al número 1. Puesto que todo valor característico
que A2 = -2 es un valor característico de A con su ·correspondiente vector ca- de A es una raíz de la ecuación característica de A, concluimos que:
racterístico V2 = (~). Como pronto veremos, estos son los únicos valores
característicos de A. Si se consideran multiplicidades, cada matriz de n x n tiene exactamente
n valores característicos.

CH~m!IJHJ i Sea A =l. Entonces para todo v E e·i, Av= Iv =v. De esta manera l es el úni-
co valor característico de A y cada v =fa O E en es un vector característico de J.
Teorema i Sea A. un valor característico de la matriz A de n x n y sea (v:Av=f..v}.
Entonces es un subespacio de en.
En esta sección calcularemos los valores y vectores característicos de muchas
Demostración Si Av = entonces (A - Al)v = O. De esta manera es el núcleo de la
matrices. Pero primero necesitamos demostrar algunos hechos que simplifica-
rán nuestros cálculos. matriz A - A./, la cual, por el Ejemplo 4.6.10, es un subespacio* de C". 1 1 1 1
Suponga que A es un valor característico de A. Entonces existe un vector no
Definición 3 caracterisfü:o. Sea f.. un valor característico de A. El subespacio se

nulo v=( j:) # O tal que Av =Á v=Aiv. Volviendo a escribir esto tenemos
denomina espacio característico t de A correspondiente al valor característico f...

Ahora demostraremos otro resultado de gran utilidad.

(A-H)v=O
Si A es una matriz de n x n, la Ecuación (3) es un sistema homogéneo de n
ecuaciones en las incógnitas x 1, x2 , ••• , xn- Puesto que, por hipótesis, el siste-
ma tiene soluciones no triviales, concluimos que det (A - "A/) = O. Inversa-
mente, si det (A - A/) = O, entonces la Ecuación (3) tiene soluciones no trivia-
les Y A es un valor característico de A. Por otro lado, si det (A A./) =fa o,
entonces (3) tiene únicamente la solución v = O por lo que A no es un valor
característico de A. Resumiendo estos resultados tenemos el siguiente teorema.
(3) Teorema 3 Sea A una matriz den x n y sean A. 1, f.. 2 , ••• , f..m valores característicos dife-
rentes de A con sus correspondientes vectores característicos v 1 , V2, . • • . , vm.
Entonces v 1, v2 , ••• , vm son linealmente independientes. Esto es: los vectores
característicos correspondientes a valores característicos dijeren tes son lineal-
mente independientes.
* En el Ejemplo 4.6.10 vimos que ker A es un subespacio de IR" si A es una matriz real. La ex-
tensión de este resultado a C" no presenta dificultades.
t Note que O E E" puesto que B" es un subespacio.
CAPÍTULO 6
VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS
6.1 Valores característicos Y vectores característicos 15
ponga que matemática.
y escribirse en la forma

C1V1+C2V2=0

De tal manera, multiplicando ambos lados de por A, teriemos como re.ml-

tado
1, 2) O =A + + o bien que para i =

C1A1V1 + =O
Luego multiplicamos
por A1 y restamos esto de
para
+ +
o sea =O
=O
... (A - =O
····-.-·~-- de vector y ya que A. A , *
concluimos que e, =O en y vemos que e, =O,
2 lo1
cual demuestra el teorema en el caso m = 2. Ahora supongamos que el teorema
es cierto para m = k. Esto es, supongamos que cualesquiera k vectores carac- Los números '1' r2, ... , rm se llaman
teristicos correspondientes a valores característicos distintos son linealmente in-
dependientes. Demostraremos el teorema para m k + l. Entonces res característicos 'A 1 • ••1, lores característicos Y sus
h a a calcu ar va
Procedamos a or e<.: to en tres pasos:
característicos. Haremos ~
=O (7)
De donde, multiplicando ambos lados de
resulta por A y usando el hecho de que
Pro,ced,rm1E~mo para
+ . Halle
l. = det (A

Multiplicamos ambos lados de (8) ii. Halle las raíces 'A I •

por y lo restamos de iii. Resuelva el sistema, .
+ cada valor caractenst1co 'A,.
=O
Pero, por la hipótesis de inducción v,, v,, ... , v, son fü "'1mente independien-
tes. Demodoquec,(A, - ) = ··· = c,(A, ) =O;
Observación. El paso el más difícil.
1) =
1
y, puesto que A, # A,, para i = l, 2, ... , k, concluimos que e, =
1 1 e, =

... = e, O. Pero de (7), esto que c,+ 1 = O. De esta manera el teo-

rema es cierto para m = k + 1 y la demostración es completa. •
Sea Entonces det -14-A
- 3
3-A
2
..
1= (4 -6=
Si
A2-7A+6=(A.- - 6) =O. De esta manera lo s valores
-- característicos
O, de
A son A.1 = l = 6. Para ,/\ 1 -_ 1' resolvemos
11 ª12
t 0 do vector característico
A= ª22 Evidentemente, cterísticos
+ =O. Uno de estos vectores cara
Qn2
entonces ª"" esta manera, ecuación

ª11-A
o que
3
(1)1 es u
ª12
a1n
=det V2 = n vector característico
ª21 ª22 A a2n
Note que vi Y V2 son linealmente ,._..... ,_, ___ --- puesto que uno no es
anl an2 del otro.
ª"" - .A

r ~rr·s .r
CAPÍTULO 6 • VALORES CA '
RACTERISTICOS, VECTORES CARACTERÍSTICOS y FORMAS CANÓNICAS
6.1 @ Valores característicos y vectores característicos 1

-1
Sea A=G 2 _;).Entonces
1 -1
Por consiguiente, gen Finalmente, para

-1

det
1-A
3
-1 4 (A- -1
1
-~)
-4
2-A -1
y
2 1 1-A -1 4 -2 -1 4
2
2A -5A+6)= -1 -1 5 o -5
+ -3) o 1 -4 o o o

n
De esta manera los valores característicos de A son A

e
Para A1 = 1 tenemos 1 3. -1 -1 o
o o -1
-1 o o o
1
1 por lo que = gen
Si resolvemos reduciendo por

-1 4 -1 Observación, En cada uno de los ewmtJlOS, "''"'rrrrn·p

1 -1 o de opciones para cada vector característico. arbitrariamente
-2 o una de ellas igualando una o más de las X¡ a un número conveniente. ha-
cemos una de las X¡ a 1.
-1 4 4
o 1 o 1
o 2 2
o o Sea A Entonces det
-4 2-A
- 12 - A 1- A2 4A =

De esta manera x1 f..(/.. - De esta manera los valores característicos son )\ 1 = O y = 4.

un vector característico es v 1 = espacio característico el núcleo o kernel
2
de A. Calculamos o = X2 y vector característico
= gen tenemos +
es v 1 De esta manera ker A gen

Esto conduce a 4 tenemos por que

-1
4
Sea A= Entonces det
-1- I= +
1 o y
2±2i
--=1±
-1 2
De esta manera - i. Calculamos
o
o o [A-(1+
-i -5
1 -2-
esta -5 \
vector característico es * Note que las columnas de esta matriz son linealmente dependientes porque - ¡)
(-2 - i) (
2-
1
i) .
 319
6.1 • Valores característicos y vectores característicos
CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS

(2
obtenemos (2 -

+
= O Y Xi + (-2 - i)x 2 = O. De esta manera x 1

lo cual nos da el vector característico v 1 = ( ;

2
i) y E 1+ ¡ = (A_ Sl)v =n -~ _;)(:}G)
gen

X¡+
{(2; ¡)}.Análogamente
+ i)x2
í(2-i)}
=
[A-(1-i)I]v =

O, lo cual proporciona x 1
(2; i _;~ J(:} (~)o bien
(2 - i)X2, V2 = (
1
;i), Y e o, reduciendo por renglones,

2 -8 2 -54\J
2 o
o
~
A,,(4)
A 1 /-1l
( -5 2
-18 o 18
4

9 o -9
~)
T)
~
M1(¡~)

e
4 2
= gen l 1 , .

~)
2 -1
-1
2o 1 o ~
A,,(91 ( o
-1 o 1
9 o -9 o o o o
Observación 1. Este ejemplo muestra que una matriz real puede tener valores y
vectores característicos complejos. Algunos textos definen los valores caracte-
rísticos de matrices reales como las raíces reales de la ecuación característica. Por lo tanto, x, = 2x, Yx, = x,, obtenemos el vector característico v, =(~)Y
(! !!)(::)=
Con esta definición la matriz del ejemplo anterior no tiene valores caracterís-
ticos. Esto puede simplificar los cálculos, pero también reduce enormemente la
utilidad de la teoría de valores y vectores propios. Veremos una muestra signifi-
cativa del uso de los valores propios complejos en la Sección 6. 7.
E, = gen l(1)} Para A2 = -1, tenemos (A + Dv =

Nótese que /.. 2 = 1 - i es el número complejo conjugado de /.. 1

Observación 2.
l + i. También las componentes de v2 son las complejas conjugadas de v 1• Es-
º)(
~ ' lo cual proporciona únicamente la ecuacmn 2 x,
+ x + 2x = O o bien,
' 1 ' '
.,
to no es coincidencia. En el Problema 33 se pide demostrar que

los valores propios complejos de una matriz x2 = -2X1 - 2X3. Sl. x 1 = 1 y x 3 = O, obtenemos V2 = (-2) · Si X1 = OY
0
en pares conjugados

los correspondientes vectores propios son

y
x, = 1, entonces v,
. .
=(-~).De esta manera E_, = gen
dec\adas para vectores característicos. Por eJemplo,
lH} (-m
Existen otras opc10nes ª

Sea A=(~ ~).Entonces det(A-AI) l4 ;A 4 ~Al=(A-4)2 =0; por v =( ~) está en E_, ya que v = v, - v,.
lo tanto /.. = 4 es un valor característico de multiplicidad algebraica 2. Es obvio
que Av=4v para todo vector vEIR 2 , por lo que E 4 IR
2
gen{(~),(~)}. -5 -5 9) ~ ¡\
-5! -J\
5

3
9

Sea A= (~ !). Entonces det (A - AJ) 4-A 1 l=(A =O; de es-

Ejemplo 10 Sea A=
( 8
-2 -3 -7
18 . Entonces det (A -Al)=
9
2
O 4-A )\.3 3¡._2 3'A 1 - - (/.. + 1)3 =O. De esta manera A= -1 es un valor c_aracte-
1
-:- .- - ~. 1· .
(xi·) = (º)O Y reducimos por renglon, para obte-
ta manera /.. 4 es de nuevo un valor característico de multiplicidad algebraica dad algebraica 3. Para calcular E_ 1, determmamos
(m~4t1p~~
1

9)
(~ ~)(:J = (~2 ).
nsttco de _
2. Pero ahora tenemos - 4/)v = En constcuencia, (A+ I)v = 8 10 18 X2

~6
Xz =O, V1 =(~)es un vector característico, y E 4 gen { (~) }.
-2 -3 X3 Ü
ner, sucesivamente,
3 º) ~ A3./~Z)
A

(-~ ~o ~s
5 9\
Sea A=(~ ~ ~)- Entoncesdet(A -/../)= ;A :A ~ =-/.. 3 +
o
423 4 2 3A -2 -3 -6 o
6/.. 2 + 15/.. + 8 = (/.. + 8) =O, por lo que los valores característicos son - 3x Si hacemos X3 = 2 obtenemos únicamente un
Esto nos da x 2 = - 3X3 Y 2 Xi - 3•
/..
1
= 8 y /.. 2 -1 (con multiplicidad algebraica 2). Para/.. 1 = 8, obtenemos
 6.1 • Valor~s característicos y vectores característicos
320 CAPÍTULO 6 • VALORES.CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS

de A. es mayor que 1, entonces no podemos predecir la multiplici-

.,.""•"'r"''""'

vector característico linealmente independiente: v1 =(-~). De esta ma11era dad geométrica de A. sin información adicional.
Si A es una matriz de 2 x 2 y A. es un valor característico con al-
gebraica 2, entonces la multiplicidad geométrica de A. es ~ 2 puesto que pueden
haber al menos dos vectores linealmente independientes en un espacio de dos
dimensiones. Sea A una matriz de 3 x 3 con dos valores característicos A. 1 y A.2
de multiplicidad algebraica 1 y 2, respectivamente. Entonces la multiplicidad
geométrica de A.2 es ~ 2 porque de otra manera podríamos ten~r al r:nenos
-1 -3 -9) -1-A -3 -9 cuatro vectores linealmente independientes en un espacio de tres d1mens10nes.
Intuitivamente, parece que la multiplicidad geométrica de un valor caracterís-
Ejemplo 11 Sea A= ( ~ 5 18 . Entonces det (A-Al)= O 5-A 18
tico es siempre menor o igual que la multiplicidad algebraica. La demostración
-2 -7 O -2 -7-A
del siguiente teorema no es difícil si se demuestran algunas propiedades adi-
-(A+ 1) 3 =O. De esta manera, como en el Ejemplo 10, A.= -1 es un valor cionales sobre determinantes. Puesto que esto nos desviaría demasiado de
característico de multiplicidad algebraica 3. Para encontrar E_ 1, calculamos nuestro objetivo, omitimos la demostración.*

(A+ I)v= (~ -~ ~:)(::) = (~)· Así -2x2-6X3 =0 ó X2 = -3X3, y X¡ Teorema 4 Sea A. un valor característico de A. Entonces:
Ü -2 -6 X Ü

=
es arbitrario. Haciendo x 1 : O, x 3 1, obtenemos v1 =(-~)Haciendo x =1, 1 Multiplicidad geométrica de }.. ~ multiplicidad algebraica de A.

x, =1 obtenemos v =(-D·2 Por lo que E_, =gen {(-~}(-D}
En cada uno de los ejemplos anteriores encontramos un valor característico
con una multiplicidad algebraica de 2 o más. Pero como vimos en los Ejemplos
8, 10 y 11 el número de vectores característicos linealmente independientes no
es necesariamente igual a la multiplicidad algebraica del valor característico
(como era el caso en los Ejemplos 7 y 9). Esta observación nos conduce a la si-
guiente definición.
Teorema 5
Definición 4 Multiplicidad geométrica. Sea A. un valor característico de A. Entonces la multi-
plicidad geométrica de A. es la dimensión del espacio característico correspon-
diente a A. (lo cual es la nulidad de la matriz A - H). Es decir:
Nota. La multiplicidad geométrica de un valor característico nunca es cero.
Esto se establece de la Definición 1, la cual expresa que si A. es un valor caracte-
rístico, entonces existe un vector característico diferente de cero correspondiente
a A..
En el resto de este capítulo nos ocuparemos de determinar si una matriz dada
den x n tiene o no n vectores característicos linealmente independientes. De
lo que hemos discutido hasta ahora, el siguiente teorema es evidente.
Sea A una matriz den x n. Entonces A tienen vectores característicos lineal-
mente independientes si y sólo si la multiplicidad geométrica de todo valor
característico es igual a la multiplicidad algebraica. En particular, A tiene n
vectores característicos linealmente independientes si todos sus valores caracte-
rísticos son distintos (puesto que la multiplicidad algebraica de todo valor ca-
racterístico es

En los Ejemplos 7 y 9 vimos que en los valores característicos de multiplicidad
algebraica 2, la multiplicidad geométrica también era 2. En el Ejemplo 8 la mul-
tiplicidad geométrica de A.= 4 era 1 mientras que la multiplicidad algebraica era
2. En el Ejemplo 10 la multiplicidad algebraica era 3 y la multiplicidad geométri-
ca era 1. En el Ejemplo 11 la multiplicidad algebraica era 3 y la multiplicidad
geométrica era 2. Estos ejemplos ilustran el hecho de que si la multiplicidad al-
En el Ejemplo 5, vimos una matriz para la cual el cero era un valor caracte-
rístico; en realidad, del Teorema 1 es claro que el cero es un valor característico
de A si y sólo si det A = det (A - OI) = O. Esto nos permite ampliar, por últi-
ma vez, el Teorema Resumen (vea Teorema 5.4.4).
* Vea la demostración del Teorema 11.2.6 en el libro de C.R. Wylie, Advanced Engineering Math-
ematics (Nueva York: McGraw-Hill, 1975).
 6.1 • Valores característicos y vectores característicos 3!l3
3!l!l CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS

Teorema 6 Teorema Resumen, Versión 8. Sea A una matriz de n x n. Entonces los once
enunciados siguientes son equivalentes. Esto es, si uno es cierto, todos son
ciertos.
20. (~
O O a
: ~ ~); d
bcd-/ O

O O O a ( a b)
i. A es invertible. 21. Muestre que para todo número real a y b, la matriz A= -b a tiene los vecto-
ii. La única solución al sistema homogéneo Ax = O es la solución trivial
res característicos (~)Y
1
(-z;.).
(x = O). z
iii. El sistema 1x = b tiene una solución única para todo n-vector b. En los Problemas del 22 al 28 suponga que la matriz A tiene los valores carac-
iv. A es equivalente por renglón a la matriz identidad In de n x n.
terísticos 'A 1, 'A2, ... , 'Ak.
v. A puede escribirse como el producto de matrices elementales.
vi. Los renglones (y columnas) de A son linealmente independientes. 1
22. Muestre que los valores característicos de A son1-. 1, l-.2, ... , 1-.k.
vii. det A* O.
23. Muestre que los valores característicos de aA son al-.¡, a'A2, · · ·, a'Ak.
vfü. v(A) =O.
ix. p(A) = n. 24. Muestre que A- 1 existe si y sólo si l-. 11-.2 · · · 1-.k =FO.
1
x. La transformación lineal T de !Rn a !Rn definida por Tx =Ax es un iso- 25. Si A - 1 existe, muestre que los valores característicos de A- son 111-.1, 111-.2,
morfismo. . .. ' 111-.k.
xi. El cero no es un valor característico de A. 26. Muestre que la matriz A - a I tiene los valores característicos 'J...1 - a, 'J...2 - a, · · ·,
1-.k - a.
* 27. 2
Muestre que los valores característicos de A son !-.~, !-.}, · · ·'
Problemas 6.1 * 28. Muestre que los valores característicos de A m son 1-.T, 1-.'!J., · · · , 'J...'r para m = 1, 2,
3, ...
Sea }... un valor característico de A con correspondiente vector característico v. Sea
En los Problemas del 1 al 20 calcule los valores característicos y espacios carac- 29.
p(!-.) = a + a !-. + a !-.2 + · · · + anl-.n. Defina la matriz p(A) por =
terísticos de la matriz dada. Si la multiplicidad algebraica de un valor caracte- 0 1 2
a J + a A + a A 2 + · · · + anAn. Muestre que p(A)v = p(l-.)v.
rístico es mayor que l, calcule su multiplicidad geométrica. 0 1 2
Usando el resultado del Problema 29, muestre que si A¡, l-.2, . · ·, 1-.k son val~re.s
30.
1.(-2
-5
-2)1 2. (-12
-7 2
7) 3. (25 -1)
-2
característicos de A, entonces p(l-. 1), p(l-. 2), ... , p(!-.k), son valores caractensti-
cos de p(A ).
4. (-3o -3º) 5. (-3o -32) 6. (_~ ~) 31.
Muestre que si A es una matriz triangular superior, entonces los valores caracterís-
ticos de A son las componentes de la diagonal de A.
o
H~~ -~
1

7.
+~ <D 9. (! ~
2 2 2
~) 32. Sea A 1
o o
2 o
A2=
2
o 2
o
o 2
o 2
y

u~ ~) e-~ 0
2
o o o o o

(-3~ -7~
o
-~5) 1
10. ll. 12. 2 . Muestre que, para cada matriz !-. = 2 es un valor característico
o
13. G =~o -~) -1
15. ( ~
-1 -~ -~) de multlp,llc1 C1ad
t..= 2.
1

16. (-!
1
3
1
-1
o
o
2
o
17.
(f ¡¡j) * 33.

* 34.
Sea A una matriz real den x n. Muestre que si!-. 1 es un valor característico com-
plejo de A con vector característico v 1, entonces !-. 1 es un valor característico
con vector característico v1 •
Una matriz de probabilidad es una matriz de n x n que tiene dos nr<)med<:tae:s:
A

(~ ¡¡j}
i. para toda i y j
H. La suma de las componentes en cada columna es 1.
1 es un valor característico para toda matriz de
19. bc#O
 6.2 • Un modelo de crecimiento poblacional (opcional) 3.25
CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS

efectos de la vejez. Más aún, en muchas especies el número de descendientes

no parece estar influenciado por la edad de la madre. .
En la notación introducida con anterioridad PJ,n YPa,n represent~n, re~p.ect1-
vamente, la población de hembras jóvenes y ad~lt~s en ano n-es1m~. :1
En esta sección mostraremos cómo la teoría de valores y vectores característi- Reuniendo toda la información dada, llegamos al s1gmente sistema de 2 X 2.
cos puede utilizarse para analizar un modelo del crecimiento de una población Pi,n = kPa,n-1 (2)
de pájaros.* Comenzaremos por discutir un modelo simple de crecimiento po-
blacional. Supondremos que determinadas especies crecen en una proporción Pa.n = apj,n-1 + f3Pa,n-1
(3)
constante; esto es, la población de las especies después de un periodo (el cual o bien Pn = APn-1
podría ser una hora, una semana, un mes, un año, es un múltiplo cons-
tante de la población en el anterior. Esto por ejemplo, donde Pn = (Pi,n) y A = (~ k ). Resulta claro, de (3), que P1 = Apo,
si cada es distinta y cada r descendientes y des- Pa,n {3
muere. Si Pn denota la después del n-ésimo tendríamos p = Ap 1 =A(Ap0 )=A 2 p 0 , ••• , y así sur.esivamente. Por lo tanto
2

Pn = fPn-1

Por ejemplo, este modelo describir una población bacteriana donde, a

un dado, un organismo se divide y origina dos organismos separados.
Entonces r = 2. Sea Po la inicial. Entonces P 1 = rp 0 , P 2 = rP1 = donde Po es el vector de las poblaciones iniciales de hembras jóvenes Y ~d~lta~.
r(rp 0 ) = p 3 = rp 2 = = r 3p 0 , y así sucesivamente, por lo que La Ecuación (4) es similar a la Ecuación (1), pero ahora podemos d1stmgmr
Pn = rnpo entre las razones de supervivencia de pájaros jóvenes Y adultos.

De este modelo vemos que la población crece sin límites si r> 1 y decrece a cero
sir< l. Sir= l la población permanece a un nivel constante p 0 • 2 ). Esto significa que cada hembra adulta produce dos
Este modelq es, evidentemente, muy simple. Una objeción obvia es que el Ejemplo 1 Sea A= ( O
0.3 0.5 . l l
número cle descendientes producidos depende, en muchos casos, de las edades hembras jóvenes y, puesto que el número de machos se supone que es igua, a
de los adultos. Por ejemplo, en una población humana el promedio de mujeres número de hembras, al menos cuatro huevos (y probablemente ~uchos mas,
adultas mayores de 50 años, produciría menos niños, que la mujer promedio ya que la pérdida de pájaros jóvenes es grande). Del n:odelo es ev1?~nte ~~e a
de 21 años de edad. Para tratar esta dificultad, introduciremos un modelo y /3 se hallan en el intervalo [O, l]. Puesto que la mortahdad de los paJaros Jove-
que permita agrupar edades con diferentes tipos de fertilidad. nes es mayor que la de los adultos, debemos tener ex~ /3.
Ahora observaremos un modelo de crecimiento poblacional para "'"''"'""r"""'c En la Tabla 6.1 suponemos que, inicialmente, existen 10 hembras Y 10
pájaros. En esta población de pájaros supondremos que el número de machos adultos y que no existen pájaros jóvenes. Los cálculos fueron hechos
machos al número de hembras. Denotemos por PJ,n- i la IJ'VV'""""·''"
hembras en el año (n- y denotemos por Pa,n-i el Tabla 6.1
No. de No. de Población total
número de hembras adultas en el año (n de los adultos de hembras Tn
Año jóvenes
venes morirán durante el año. Supondremos que una determinada ...... ,, ....r, ... ,....,r.,..,. en el n-ésimo año Pi.n/Pa.n * Tn/Tn-1 *
a de los pájaros jóvenes sobreviven para llegar a adultos en la nr•rnr:nrar'l
n-ésimo año. Cada hembra sobreviviente huevos durante la ......,rn.,.,""' o o 10
ra, los cuales se incuban para producir, a la siguiente primavera, en ...... ,. . .-.-.,,.,... ..,.., 5 25 4.00 2.50
1 20
18 1.18 0.74
k pájaros hembras. Los adultos también mueren, y la de adultos 2 10 8
24 2.34 1.31
que sobreviven de una a la es /3. 3 17 7
8 22 1.66 0.96
Esta constante de de los 4 14
8 25 2.00 1.13
c1on Esto sucede con la mayoría de las uvu1cn.1•VH''-'"' 5 17
12 34 1.87 1.06
pájaros que se han estudiado. Esto significa que la razón 10 22
12 36 1.88 1.07
vencia de muchas de pájaros adultos es de la edad. 11 24
38 1.88 1.06
12 25 13
Quizás son pocos los pájaros que sobreviven lo suficiente para mostrar los 22 64 1.88 1.06
20 42
· l d l lumnas previas fueran redon-
* El material de esta sección está basado en una publicación de D. Cooke: "A 2 X 2 Matrix Model
* Las cifras en estas columnas fueron obtemdas antes que as e as co
. 1 - 2 / - 10/8 5 = 1 176470588 ""' 1.18.
of Population Growth", Mathematical Gazette, 61(416): 120-123. deadas. De esta manera, por ejemplo, en e ano , P1,2 Pa,2 - · ·
326 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS y FORMAS CANÓNICAS
6.2 • Un modelo de crecimiento poblacional (opcional) 327
en una computadora, pero el trabajo no es tan complicado y puede hacerse con
cilan. La magnitud de esta oscilación depende de la magnitud de A. 2/A. 1 (lo cual
una calculadora de bolsillo. Por ejemplo, p 1 = ( O 2)(O )= .(2º),
0.3 0.5 10 5
por lo es negativo, explicando de esta manera la oscilación).

que Pj,l = 20, Pa,1 = 5, la población total de hembras después de un año es de

25, Y la proporción de hembras jóvenes a adultas es de 4 a 1. En el segundo
Ejemplo 1 Para A = o
(0.3
2), tenemos A2 - 0.5A - 0.6 = O o A = (0.5 ± y ~--0.25 + 2.4)/2 ==
año , P2 = ( 0.O
3 0.25 ) (25O)- .5 ) , el cual redondeamos a {, 10) ya que no
- ( 810 0.5
8 (continuación) (0.5 ± j2:65)/2, por lo que )... 1 = 1.06 y f.. 2 = -0.56. Esto explica el incremen-
podemos tener Rk pájaros adultos. En la Tabla 6.1 se presentan las razones to de 6 por ciento en la población que notamos en la última columna de la Ta-
Pi,n1Pa,n Y las razones Tn!Tn-l del número total de hembras en años sucesivos. bla 6.1. Para el valor característico f.. 1 = 1.06, calculamos (A - l.06/)v1 =

( -1.0
6 2
0.3 -0.56 X 2
)(x
1
) = (º)
0
o l.06x1 = 2x2 , por
lo que 1 = ( v 1
0.53
) es un vec-

En la Tab~a 6.1 parece como si la razón p1,n1Pa,n se aproximara a la cons-

(~:~
6
tante 1.88 mientras que la población total parece estar incrementándose a una tor característico. Análogamente (A + 0.56) V2 = 1.~ 6 )(:J = (~),
razón constante de 6 por ciento anual. Veamos si podemos determinar por qué 1
sucede esto. por lo que 0.56x 1 + 2x 2 = O y v2 = () es un segundo vector caracte-
-0.28
Primero, regresemos al caso general (Ecuación 4). Suponga que A tiene los
valores car.acterísticos reales A. 1 y A.2 diferentes con vectores característicos rístico. Note que en v 1 , tenemos 1/0.53 = 1.88. Esto explica la razón
correspondientes V1 Y V2. Puesto que v 1 y v 2 son linealmente independientes po- en la quinta columna de la tabla.
demos escribir '

Po= a1V1 + a2v2 (5) Observación. En los cálculos anteriores la precisión se perdió ya que redon-
para algunos números reales a1 y a2 • Entonces (4) se convierte en deamos a dos decimales. Mayor exactitud se obtiene usando una calculado-
ra o una computadora. Por ejemplo, usando una calculadora de bolsillo
(6) fácilmente podemos calcular f.. 1 = 1.06394103, f.. 2 = V1 =
2 1 1
Pero Av 1 = A. 1v 1 y A v 1 = A(Av¡) = A(A. 1v 1 ) = A. 1Av 1 = A. 1(A. v ) = A.1v • ( 0.531970515 ) ' v2 = ( -0.2819705149 ), así pues, la razón de PJ,n a Pa,n es
=A ~Vi, A nV2 = A~v2, y, de (6),
1 1 1
De esta manera podemos ver que A nV1
1/0.5319710515 = 1.879801537.
Es importante hacer notar cuánta información se obtiene de un
(7)
lo de valores característicos. Es de gran interés conocer si una ooornLc1c'n
La ecuación característica de A es ¡-A k 1 = A2 - (3A _ ka = o última instancia crecerá o decrecerá. Aumentará si f.. 1 > 1, y la condición para
a (3-A 0
elloes({3 >lo ../(3 2 +4ak>2-{3 o +4ak>(2-
2 2
A=((3±-J(3 +4ak)/2. Por hipótesis, k>O, O<a<l y 0<(3<1. Por lo + (3 • Esto conduce a 4ak> 4- o bien
2
tanto 4ak >O Y f3 +4ak >O, lo cual significa que los valores característicos
son, en efecto, reales y distintos y que un valor característico A. es positivo el 1-
1 k>
otro A2 es negativo Y IA1I > IA2I· Podemos escribir (7) como ' a

=A~[ a, v, + (~:r a v J
En el Ejemplo 1 teníamos (3 = 0.5, a= 0.3; de esta manera
P. 2 2 (8) k> 0.510.3= 1.67.

Puesto que IA2/A1I< 1, es evidente que (A 2/A 1t se hace muy pequeño conforme Indicamos dos limitaciones de este modelo antes de concluir con
n crece. De esta manera, para n grande ción:

(9) i. Las proporciones de nacimientos y muertes a menudo cambian de año a

año y son dependientes, en particular, del clima. Este modelo presupone
~sto significa que a la larga la distribución de edad se estabiliza y es propor- un medio ambiente constante.
c10nal a "1 ·
Cada grupo de edad cambiará cada año por un factor de t.. . De esta
ii. Los ecólogos han descubierto que para muchas especies la
manera, a la larga,. la Ecuación (4) actúa exactamente como la EcuaciÓn (1). A
nacimientos y muertes varía con el tamaño de la
corto plazo, es decir, antes de que se alcance la "estabilidad", los números os-
una población no puede crecer cuando alcanza un determinado tamaño
 6.3 • Matrices equivalentes y diagonalización 329
CAPÍTULO 6 • VALORES CARACTERÍSTICOS 1 VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS

que la función definida por es, de hecho, una transformación lineal. Esto
bido a la limitación de alimentos y espacio. Es obvio que una población no en la Definición l.
puede crecer indefinidamente a una proporción constante. De otra manera explica el uso de la
El de esta sección es mostrar que las matrices tiene
esa población podría inundar la tierra. que la mayor parte de las ma-

Eiemo,lo 1 Sean B= (~ y C= ( 2
-1
Entonces CB =
2
En los Problemas del l al 3 encuentre el número de pájaros jóvenes y de hem-
bras adultas después de 1, 2, 5, 10, 19 y 20 años. Después encuentre las razo-
y AC=
=G De

esta manera CB = AC. Puesto que det C = 1 :-/=O, Ces invertible; ya que CB =
nes, a la larga, de Pj,n a Pa,n Y Tn a [Sugerencia: Use las Ecuaciones
AC, tenemos c- 1CB = e - 1AC o bien B = e - 1AC. Esto muestra que A y
Y (9), una calculadora y redondee a tres decimales.]
B son equivalentes.
l. Po=(iº ); k=3, a=0.4, {3=0.6
2
4
2. Po (i0
5
} k = 1, a= 0.3, {3 0.4 o
-1 A=
-3
1 y C= 1 . e es in-
2 Sean D =
3. Po= (i0
0
); k =4, a =0.7, (3 =0.8 o 2 5

4. 1':1uestre que si a = ¡3 y a > :L entonces la población de pájaros a la larga crecerá, vertible porque det e = 3 :-/= O. Entonces calculamos:
s1 por lo menos nace una hembra en promedio por cada hembra adulta. -3 4
4
5. Muestre que a la larga PJ,n!Pa,n se aproxima al valor límite kit.. 1• -1
6. Suponga que dividirnos los pájaros adultos en dos grupos de edades: aquéllos de
1 a 5 años de edad y aquéllos de más de 5 años de edad. Suponga que la proporción
CA= 1
5
1
2 =G 10
de supervivencia en el primer grupo es ¡3, mientras que en el segundo grupo es 'Y (y o 4

~)G
4
f3 > 'Y). Suponga que los pájaros del primer grupo están divididos en grupos de -1
igual número por edades. (Esto es, si hay 100 pájaros en el grupo, entonces 20 tie-
nen un año de edad, 20 tienen 2 años de edad, y así sucesivamente.) Formule una
DC= -1
o
1
5 =G 10
matriz modelo de 3 x 3 para este caso.
De esta manera CA =DC y A= c- 1DC, por lo que A y D son

1
Nota. En los 1 y 2 no fue necesario calcular C - •

necesario conocer que C es no singular.

En esta sección vamos a describir una relación útil e interesante que es válida
entre dos matrices.
Teorema 1 Si A y B son matrices equivalentes de n x n, entonces A y B tienen la misma
1 Matrices Dos matrices A y B de n x n se llaman equivalentes (o ecuación característica y, por tienen los mismos valores carac-
semejantes) si existe una matriz invertible C de n x n tal que
terísticos.
1
Demostración Puesto que A y B son equivalentes, B = c- AC y
- AI) = det ( C- 1 AC-AI) = det [ c- AC - c-
1 1
det (AI)C]
= det [ c- 1 (A - H)C] = det ( c- ) det (A -Al)
1

La f~?ción defi~ida por ( 1) asocia a la matriz A la matriz B y se llama transfor- 1

maczon de eqwvalencia. =det(C- 1 )det det det(C- C)det
= det I det (A - H) = det (A - Al)
Nota. por lo
 6.3 • Matrices equivalentes y diagonalización 331
330 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS

Esto significa que A y B tienen la misma ecuación característica y, puesto que (3)
los valores característicos son raíces de la ecuación característica, también
tienen los mismos valores característicos. 11

Demostración Supondremos pnmero · qu e A ti'ene n vectores característicos linealmente

, . , inde-
,

(~ ~ ~)
· correspondientes a los valores caractensticos /\¡, A2,
pendientes v 1 , V2, . . • , vn .
f.Jen1DIO 3 En el Ejemplo 2 e.' obvio que los valores característicos de D = - . . . , An (no necesariamente diferentes).

son 1, -1 y 2. De esta manera estos son los valores característicos de

A = (-~ -l - ~).
2
Compruebe esto verificando que det - /) =
Sean

det (A + /) = det (A - 2 /) O. ' ... '

En muchas aplicaciones es de considerable utilidad "diagonalizar" una ma-

triz A, esto es, encontrar una matriz diagonal equivalente a A.

DE~flfflCJron !l Una matriz A den x n es diagonalizable si existe una ma-

triz diagonal D tal que A es equivalente a D.

Observación.Si D es una matriz diagonal, entonces sus valores característicos

son las componentes de su diagonal. Si A es equivalente a D tenemos los mis-
mos valores característicos (Teorema 1). Si juntamos estos dos resultados, ob- · t'ble
Entonces e es mver l
puesto que sus columnas son linealmente indepen-
servamos que si A es diagonalizable, entonces A es equivalente a una matriz
dientes. Ahora
diagonal y las componentes de la diagonal son los valores característicos de A.

El siguiente teorema nos dice cuándo una matriz es diagonalizable.

AC=

Una matriz A den x n es diagonalizable si y sólo si tienen vectores caracterís- \

ticos linealmente En este caso, la matriz D
te a A está dada por

o o
cli)
Cz·
De esta ma-
o
y vemos que la i-ésima columna de A C es A
( ='.
Cm
= Av' = A, v"

o
nera AC es la matriz cuya columna i-ésima es Aivi Y
A1 C11 A2C12

o o A1C21 A2C22

AC=
donde matriz
cuyas columnas son .,,_,.,.,"r,_." ,. ........ ~,,....,,,._.,...,"L'-'" de A,
entonces
 6.3 e Matrices equivalentes y diagonalización
CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS
·
tienen ,
ra1ces d'f
i ere
ntes . Por lo tanto la mayor parte
. .de. las matrices. ,tienen valo-
Pero res característicos diferentes y, por lo visto al pnnc1p10 de la secc10n, la mayor
C11 C12 C1n A.1 o o parte de las matrices son diagonalizables.
C21 C22 C2n o A2 o

(43 2)3 . En el Ejemplo 6. 1

CD=
los dos vectores caracterís-
Ejemplo 4 Sea A =

Cn1 Cn2 Cnn o o ticos linealmente independientes v, = ( _ ~) y v, = G). Entonces si hacemos

Á1C11 Á2C12 ÁnCln 1
e= ( 2 ) encontramos que
1 '
Á1C21 A2C22 ÁnC2n -3
-1)(4 2)( 2 1)
2 3 3 -3 1

De esta manera AC=CD (4) que es la matriz cuyos componentes diagonales son los valores característicos
y, puesto que e es invertible, podemos multiplicar ambos lados de (4) por la iz- de A.
quierda por c- 1 para obtener
D = c- 1 AC (5)

Esto demuestra que si A tienen vectores característicos linealmente indepen- Ejemplo S

Sea A = (~ - ~ _ ~). En el Ejemplo 6.1.4 calculamos los tres vectores ca-
dientes, entonces A es diagonalizable. Inversamente, suponga que A es diago- 2 1 -1

~),
nalizable. Esto es, suponga que (5) es válida para alguna matriz invertible C.
Sean V¡, V2, . . . ' vn las columnas de c. Entonces AC = CD e invirtiendo los
argumentos anteriores, inmediatamente vemos que para i = 1, 2,
racterísticos linealmente independientes v1 = ( - v2 = ( =

Notación
... , n. De esta manera v 1, v 2 , ••• , vn son vectores característicos de A y son
linealmente independientes ya que e es invertible. 11

Para indicar que D es una matriz ---·o-··---

A2, ... , An, escribimos D = diag (A 1 ,
( ~). Entonces C = e~ =~
-2
n y

-1 1

El Teorema 2 tiene un corolario útil que se obtiene inmediatamente del Teo-

-2
o -3
!) 2
1
-1
-1
rema 6.1.3.

~)
Si la matriz A de n x n tiene n valores característicos distintos, entonces A es -2
diagonalizable. 2
2
Observación, Si los coeficientes reales de un polinomio de grado n, son toma-
dos al azar, entonces, con probabilidad 1, el polinomio tendrán raíces diferen- o
-6
=-~( ~
tes. Intuitivamente, no es dificil ver por qué sucede esto. Sin= 2, por ejemplo,
entonces la ecuación }..2+ a)\+ b =0 tiene raíces iguales si y sólo si a 2 =4b -un
12
caso muy improbable si a y b se escogen al azar. Podemos escribir, por supues- o
to, polinomios que tengan raíces de multiplicidad algebraica mayor que 1, con valores característicos l, - 2 Y 3 ·
pero estos polinomios son excepcionales. De modo que, sin tratar de ser mate-
máticamente preciso, es válido decir que la mayor parte de los polinomios
 6.3 • Matrices equivalentes y diagonalización 335
334 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS y FORMAS CANÓNICAS
Hemos visto que muchas matrices son equivalentes a matrices diagonales.
Observación.
vecto Puesto
t , · que . existe un número infinito de formas . d e escoger un Sin embargo, todavía tenernos dos preguntas:
. r ca.rae enst1co, ~x1~te un número infinito de formas de escoger la matriz
diagonahzant~ C. La umca recomendación es escoger los vectores característi- i. ¿Es posible determinar si una matriz dada es diagonalizable sin calcular los
cos Y la rnatnz' ·C tal
1 · que simplifiquen los cálculos aritméticos · Est o s1gm
· ·f·ica valores y vectores característicos?
q ue se d eb eran me mr tantos ceros y unos corno sea posible. ii. ¿Qué haremos si A no es diagonalizable?

Podernos encontrar una respuesta parcial a la primera pregunta en la si-

32 O24). guiente sección y una respuesta completa a la segunda en la Sección 6.6. En
la Sección 6. 7 podernos ver una aplicación importante del procedimiento de
Ejemplo 6 Sea A =
(4 2 32 . Entonces del Ejemplo 6.1.9, tenernos los tres vectores ca- diagonalización.
Al principio de este capítulo definirnos los vectores propios y los valores pro-
pios de una transformación lineal T: V ~ V, donde dirn V = n. Dijimos en-
racterísticos linealmente independientes v1 =( ~} v, = ( - ~) y v3 = tonces que debido a que T puede ser representada por una matriz n x n,
limitaríamos nuestra discusión al caso de las matrices n X n.

H} Haciendo C = G-~ -~}obtenemos Sin embargo, una transformación lineal puede ser representada por muchas
matrices n x n, una para cada elección de base. ¿Tienen todas estas matri-
ces representantes los mismos valores propios y vectores propios? La respuesta
es sí, como se demuestra en el siguiente teorema.
-2 -1
- --1 -5
C --1AC-
9( 4
2 -!)(~ ~ ~)(~ -21 -2 º')
Sea V un espacio finito-dimensional con bases B 1 = { v ¡, V2, •.• , vn} Y B2 =
2 -5 4 2 3 2 o 1 Teorema 3
{w , w , ••• , wn}. Sea T: V - V una transformación lineal. Si A r es la repre-
2
-2 -1 1

-!)(1~
sentación matricial de T con respecto a la base B 1, y C r es la representación
-i -~
(
2
2 -5 16
matricial de T respecto de la base B 2 , entonces Ar y C r son semejantes.

0
=-~(- ~o~o~9) =(~o
7 Demostración Tes una transformación lineal de Ven sí mismo. Del Teorema 5.3.3

-~ -~ º) (Tx)n 1 = Ay(x)B 1
(6)

y
~ste ejemplo il.ustra que A es diagonalizable aun cuando sus valores caracterís- (7)
ticos no son diferentes.
Sea M la matriz de transición de B 1 a B 2 • Entonces, por el Teorema 4.9.1,
(8)

r:.aema.ia 1 Sea A (~ ~). En el Ejemplo 6.1.8 vimos que A no tenía dos vectores carac-
para toda x en V. También
(9)
terísticos linealmente ~ndependientes.
Suponga que A fuera diagonalizable (en
contradicción con el Teorema 2) · Entonces D = (
4
0 4
º)
Y h a b na
, una rnatnz
· m-
· Introduciendo (8) y (9) en (7),
(10)
vertible e tal que e- 1A e= D. Multiplicando esta ecuación por la izquierda M(Tx)n 1 = CyM(x)B 1

por C Y por la derecha por c- 1, resulta entonces que A = CDC-1 -

e(~ ~)c- 1 = C(4J)c-t =4CIC =4CC- =4I = (~ ~)=D.

La matriz Mes invertible por el resultado del Teorema 4.9.2. Si multiplicarnos
1 1
Pero A: ambos lados de (10) por M- 1 (que es la matriz de transición de B 2 a B1 ), en-

D, por lo que C no existe. tonces

( 11)
 6.4 • Matrices simétricas y diagonalización ortogonal 331
336 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS y FORMAS CANÓNICAS
1
21. Suponga que c- 1AC =D. Muestre que para todo entero n, An = cnnc- • Esto
Comparando (6) con (11) tenemos que
da un modo fácil de calcular potencias de una matriz diagonalizable.

A=(~ =~).Calcule A 2º.

1
Ar(x)n 1 = M- 1 CrM(x)n 1
(12) 22. Sea [Sugerencia: Halle una C tal que A = CDC- .]

Como (12) es válida para todo x E V, se concluye que * 23. Sea A una matriz de n x n cuya ecuación característica es (A - e )n = O. Muestre
1
que A es diagonalizable si y sólo si A = el.
Ar= M- cTM 10
24. Use el resultado del Problema 21 y el Ejemplo 6 para calcular A , donde A
Esto es, Ar Y C T. son semejantes o equivalentes. 111

(~ ~ ~)·
4 2 3
Problemas 6.3 * 25. Sean A y B matrices reales den x n con valores característicos distintos. Demues-
tre que AB = BA si y sólo si A y B tienen los mismos vectores característicos.
E~ los Problemas del 1 al 15 determine si la matriz dada A es diagonalizable 26. Si A es diagonalizable muestre que detA = >-. 1 , >-. 2 , .•. , An, donde >-. 1, >-. 2 , •.• , An
Sz lo es, encuentre una matriz C tal que c-1Ac = D. · son los valores característicos de A.

1. (-2 -2) 2. ( 3 -1) 3. (25 -1)

-5 1 -2 4 -2
6.4 Matrices simétricas y
( 1 -1 o ortogonal
4. (31 -5)
-1
5. ( 3
-5
2)
1
6. -1 2 -1)
En esta sección veremos que las matrices simétricas* tienen una cantidad de
o -1 1 propiedades importantes. En particular, mostraremos que cualquier matriz si-
métrica tiene n vectores característicos reales linealmente independientes y por

7. (-~
1
2 -~)
-1
8. (~ o1 )1
o o
9. eº ~o o
o o
consiguiente, por el Teorema 6.3.2, es diagonalizable. Empezaremos por de-
mostrar que los valores característicos de una matriz simétrica real son reales.

10. G -1)
-1
1 -1
-1 1
11. e -J
3
6
-2o -2
-2 -3
12. (
-1
~
6
3
-5
_D
Teorema 1 Sea A una matriz simétrica real de n x n. Entonces los valores característicos
de A son reales.
Sea }.. un valor característico de A con vector característico v; esto es Av= Av.
Demostración t Ahora V es un vector en en' y un interno en en Definición 4.11.1
13. (-~
1
-:
2
-~)
2
14. (=~ -~ ~ -~) 15. (-~ 1
~ ~ ~)
2 -3
y Ejemplo 4.11 satisface
y)=a(x,y) y ay)= y)
o o 5 -2 2 -1 o 5
v)= v) = A(v, v)
Entonces
16. Muestre que si A es equivalente a By Bes equivalente a C entonces A es equivalen 1
te a C. ' - Más aún, por el Teorema 5.5.1 y el hecho de que A A,
l7. Si A es s.e~ejante a B, demuestre que An es semejante a sn para todo número en- ~= ~
tero pos1t1vo n.
De esta manera, igualando tenemos
*18. Si~ es equivalente a B, muestre que .P(A) = p(B) y v(A) = v(B). [Sugerencia·
~~%-ero ~em~estr~ que si Ces invertible, entonces v(CA) = v(A) mostrando qu~ v) = v)
A s1 Y solo s1 XE NcA· En seguida demuestre que p(AC) = p(A) mostran-
do que RA RAc· Concluya que P (AC) = p (CA) = p (A). Finalmente haga Pero v) = 1vj2 =/= O puesto que v es un vector característico. De esta ma-
uso del hecho de q ue e - l es mvertI
. 'bl e para mostrar que p ( c-1AC) = P' (A).] nera podemos dividir ambos lados de entre para obtener

19. Sea D = (~ _ ~). Calcule D º.

2
* Recuerde que A es simétrica si y sólo si A
1
A.
t Esta demostración utiliza material de las Secciones 4.11 y 5.5 y podría ser omitida si esas seccio-
20. Si A es equivalente a B muestre que det A det B. nes no se han visto.
338 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS
6.4 • Matrices simétricas y diagonalización ortogonal 339
A.=A (5) donde D = diag ( A. 1, A. 2 , ••• , A.n) y 'A 1 , 'A 2 , ••• , A.n son los valores característi-
Si A= a + ib, entonces a- ib y, de (5), tenemos cos de A.

a +ib = a-ib
lo cual puede ser válido únicamente si b =O. Esto muestra que A= a; por lo tan-
to 'A es real y el teorema está demostrado. 11
Vimos en el Teorema 6.1. 3 que vectores característicos correspondientes a
valores característicos diferentes son linealmente independientes. Para matri-
ces simétricas el resultado es más categórico: los vectores característicos de una
matriz simétrica correspondientes a valores característicos diferentes son orto-
gonales.
Teorema 2
Sea A una matriz simétrica real de n x n. Si A. 1 y A.2 son valores característicos
distintos con correspondientes vectores característicos reales v 1 y v2 , entonces
v 1 y v2 son ortogonales.
(6) Nota. Recuerde que Q es ortogonal si Q 1 = Q - 1 ; por lo tanto (9) podría ser
escrita como Q- 1AQ =D.
Teorema 4 Sea A una matriz real de n x n. Entonces A es diagonalizable ortogonalmente
si y sólo si A es simétrica.
Demostración Sea A simétrica. Entonces, por los Teoremas 2 y 3, A es diagonalizable ortogo-
nalmente con Q (la matriz cuyas columnas son los vectores característicos or-
tonormales dados en el Teorema 3). Inversamente, suponga que A es diagona-
lizable ortogonalmente. Entonces existe una matriz ortogonal Q tal que
Q 1AQ = D. Multiplicando esta ecuación por la izquierda por Q, por la dere-
cha por Q' y utilizando el hecho de que Q 1Q = QQ 1 = I, obtenemos
A=QDQt (10)

Demostración Calculamos Entonces At = (QDQiy = (Qt)'DtQt = QDQt =A De esta manera A es si-

Av 1 • v 2 = A1v 1 • v 2 = A1 (v 1 • v 2 ) (7)
y los hechos de que (AB)! = B 1A 1 (parte ii del Teorema 1.9.1) y (A 1) 1 = A (par-
Av 1 • v 2 =v 1 • Atv 2 =v 1 • Av2 =v1 • (A 2 v2 ) = >..iv1 • v2 ) (8)
Combinando (7) y (8) tenemos A. 1(v 1 • v2 ) = 'A 2(v 1 • v2 ) y puesto que A1 =F A. 2 ,
concluimos que v 1 • v2 = O. Esto es lo que queríamos demostrar. 11
Ahora formularemos el resultado principal de esta sección. Su demostración
es difícil (y optativa) y aparece al final de esta sección.
Teorema 3 Sea A una matriz simétrica real de n x n. Resulta entonces que A tiene n vec-
tores característicos reales ortonormales.
Observación.Se concluye de este teorema que la multiplicidad geométrica de
cada valor característico de A es igual a su multiplicidad algebraica.
llétrica y el teorema está demostrado. En la última serie de ecuaciones usamos
te i del Teorema 1.9.1) y D 1 = D para cualquier matriz diagonal D. 11
Antes de dar ejemplos, enunciaremos los tres pasos que sirven para en-
contrar la matriz ortogonal Q que diagonaliza a la matriz simétrica A:
Procedimiento para encontrar una matriz diagonalizante Q:
i. Encuentre una base para cada espacio característico de A.
ii. Encuentre una base ortonormal para cada espacio característico de A,
usando el procedimiento Gram-Schmidt.
m. Establezca a Q como la matriz cuyas columnas son los vectores carac-
terísticos ortonormales obtenidos en el paso (ii).

El Teorema 3 nos dice que si A es simétrica entonces !Rn tiene una base
B = {u1, U2, ... , un} que consiste de vectores característicos ortonormales de
A. Sea Q la matriz cuyas columnas son u 1, u 2 , ••• , un- Entonces por el Teo-
rema 4.10.3, Q es una matriz ortogonal. Esto nos conduce hacia la siguiente
Ejemplo 1 Sea A = (
1
-2
-l).
3
Entonces la ecuación característica de A es det (A - XI) =

definición.
l
1
l -A - 2 1=A 2 -4A. -1 =O, ecuación que tiene las raíces A= (4± .J2ó)/2 =
-2 3-A.
Definición 1 Matriz ortogonalmente diagonali:zable. Una matriz A de n x n se dice que es dia- (4±2J5)/2=2±J5.En el caso de f.. 1 = 2- JS, resulta así que(A-AI)v=
gonalizable ortogonalmente si existe una matriz ortogonal Q tal que
(
-1 +JS -2r- )(Xi) = (º) . Un vector caractenstlco
, . es v1= ( 2 r;::- ) , \v1\ =
-2 1+Y5 X? Ü -1 + Y 5
J22 +(-1+J5) 2 =J10-2J5. De esta manera u.1 =l/(J10-2J5)(_ 1 ~¡5}
340 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS 6.4 • Matrices simétricas y diagonalización ortogonal 341

Para A2 = 2 + JS, calculamos (A-AI)v= (-l-JS -2 )(x1)= (º)y mos esto notando que u 1·u2 =O. Finalmente, tenemos n 3 :::; v 3 /lv 3 I = ·h 3 = 2/3 .
2/3)
e-JS) . Note que v
= \
-2 1-JS
.
= O (lo cual debe ser cierto de conformi-
X2 · Ü
(1/3
V2 1 · v2
2 Esto lo podemos comprobar también notando que u 1 • u3 = O y u2 • u3 = O.
dad con el Teorema 2). Se tiene así que lv l = .,/io-2.JS,
2 por lo que u 2 = Por lo tanto
(l/~10-2VS)(1 ~JS). Finalmente, -11../2 -1/3../2 2/3)
Q= 11../2 -1/3../2 2/3
1 -JS) JS) (
Q - 1 ( 2 Qt - 1 ( 2 -1 + o 4/3../2 1/3
- ~10-2-/5 -1 +JS 2 ' - ~10-2-15 1-JS 2 y

y Q'AQ= 10 12J5c~JS -l:JS)(-~ -~)(-1~J5 l-2JS) QtAQ =

(
-11../2 11../2
o
-1/3../2 -1/3../2 4/3../2
)(5 4 2) (-11../2
4 5 2 11../2
-1/3../2 2/3)
-1/3../2 2/3
2/3 2/3 1/3 2 2 2 o 4/3../2 1/3
1 ( 2 -1 +Fs )( 4-2J5 -3-JS)
10- 1-JS 2 -7+3Js 4+2J5 -11../2 11../2 o ) (-1;J2 -1/3../2
= ( -1
_ ¡3J2 -1/3J2 4¡3J2 11J2 -1/3../2
= 1 (30-14JS° o ) (2-JS o ) 2/3 2/3 1/3 o 4/3../2
10-2JS o 10+6J5 = o 2+JS

Ejemplo i Sea A ~). Entonces A resulta ser simétrica =

=(~o o~ ~i 10
=G ;
2 2
y det (A - Al)

r~Á ~
4
5-¡\ ) = -(¡\ -1)2(¡\ -10). Para A= 1 calculamos los vectores En esta sección hemos demostrado resultados para matrices s ""&ric reales. Si
2 2-¡\ A =(a¡) es una matriz compleja, entonces la transpuesta conju· ''d' 'ñe
notada por A* está definida por: el elemento ij-ésimo de A* = aii· ;;·-c,,..;kc-;,.+;;;:-;....:
característicos linealmente independientes v1 = (- ~) y v2 = (- ~). Para es llamada hermitiana si A*= A. Resulta que los Teoremas 1, 2 y 3 también
son ciertos para matrices hermitianas. Más aún, si definimos una matriz unita-
ria como una matriz compleja U con U* = u- 1 , entonces, usando la demostra-
A= 10, encontramos que =(~). Para encontrar Q aplicamos el proceso
V3
ción del Teorema 4, podemos mostrar que una matriz hermitiana es diagonali-
zable unitariamente. Dejamos todos estos resultados como ejercicios (vea
Problemas 15 a 17).
de Gram-Schmidt a {v 1 , v 2 }, que es una base de E 1• Puesto que lv 1 1=J2,ha-
Concluimos esta sección con una demostración del Teorema 3.

cemos u,= n1z). Después Demostración del Vamos a demostrar que a cada valor característico A de multiplicidad al-

n)- nJi)
Teorema 3* gebraica k, le corresponden k vectores característicos ortonormales. Este paso,
combinado con el Teorema 2 será suficiente. Sea u1 un vector característico de

~ =CD-n;~) Ci;~)
A correspondiente a A1 • Podemos suponer que \u 1 1 = l. También podemos su-
poner que u 1 es real ya que f.. 1 es real y u 1 E NA-ll.11, el núcleo de la matriz real
v; =v2-(V2 · u,)u, = =
A - ¡\1I. Este núcleo es un subespacio de !Rn, por el Ejemplo 4.6.10. En se-
guida notamos que {u 1 } puede expandirse a una base {u 1 , v2 , v3 , •.• , vn} para

3 ~2 (= ~;~)=(=~;~Ji).
!Rn y, por el proceso de Gram-Schmidt, podemos transformar esta base en la
base ortonormal {ni, u 2 , ••• , un}. Sea Q la matriz ortogonal cuyas columnas
Entonces lvzl = v'l8/4 = 3J2¡2 Y Uz = Comproba-
2 4/3./2 * Si el tiempo lo permite.
34i CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS 6.4 • Matrices simétricas y diagonalización ortogonal 343
son U1, u2, ... , un- Por conveniencia de notación se establece que Q = q22-A q23 q2n
(u¡, un). Ahora Q es invertible y Q' = Q - 1, poflo que A es equiva-
U2, . . . ,
q32 q33-A q3n
lente a QtAQ y, por el Teorema 6.3.1, Q'AQ y A tienen el mismo polÍnomio
característico: 1 Q 'AQ - Al 1 = IA - AJ¡. Por consiguiente, = (A1 -..\) =(A -A1) IM11 (A)I

qn2 qn3 qnn -A

donde M 11 p,) es el menor 1, 1 de Q tA Q - H. Si k = 1, no hay nada 4ue de-

mostrar. Si k > 1, entonces IA - A.JI tiene el factor (A. - A. 1 ) 2 y, por lo tanto,
1Q 1AQ - A.JI también contiene el factor (A. - A. 1 ) 2 • Consecuentemente,
por lo que u~ IM11 (A.)I contiene el factor A. - A. 1 , lo cual significa que IM11 (A. 1 )I = O. Esto
u~ u~ quiere decir que las últimas n - 1 columnas de Q tAQ -- A.¡l son lineal-
u~ u~ mente dependientes. Puesto que la primera columna de Q 1AQ - A./ es el vector
cero, esto significa que Q 1AQ - A. 1J contiene a lo sumo n - 2 columnas lineal-
QrAQ = A(u 1 u 2 • • • uJ = (Au 1 Au2 · · · A0n) mente independientes. En otras palabras, p ( Q tA Q - A. ¡l) ~ n - 2. Pero
QtAQ-A. 1Jy A -A. 1Json equivalentes; de aquí que por el Problema 6.3.18,
uin urn p(A - A.¡l) ~ n - 2. Por ello, v(A - A.¡l) ;::: 2, lo cual quiere decir que E;. =
núcleo de (A - A. ¡l) contiene al menos dos vectores característicos linealmente
u1 A1 u~Au 2 independientes. Si k = 2 el resultado es claro. Si k > 2, entonces tomamos dos
u~ o u~Au 2 u~Aun vectores ortonormales u 1 , u 2 en E" y los expandimos a una nueva base orto-
(A 1Ui, Au2 • • ·Aun) normal {u¡, U2, ..• 'un} para jRn y definimos p = (u¡, U2, . . . 'un). Entonces,
exactamente como antes mostramos que
A1 -A o o o o
o A1 -A o o o
Los ceros aparecen porque uiu1 = u 1 • u1 = O si j-:/= l. Ahora bien [ Q 'AQ]t =
1 1 1 1
Q 'A ( Q ) =:=' Q AQ. En consecuencia, Q 1AQ es simétrica, lo cual significa o o (333 -A (334 f33n
que en el pnmer renglón de Q 1AQ deben existir ceros, para igualar los ceros ptAP-AI= o o (343 {344 -A f34n
en la primera columna.

De esta manera,

A1 o o o o o f3n4

o q22 q23 q2n

Debido a que k > 2, mostramos, como antes, que el determinante de la matriz
entre corchetes es cero cuando A. = A. 1 lo cual muestra que p (PtAP - 'A ¡l) ~
QtAQ=
o q32 q33 q3n n - 3, por lo que v(PtAP-A. 11)= v(A-A 1 I);::: 3. Entonces dimE" 1 ;::: 3 y
así sucesivamente. Podemos, claramente, continuar este proceso para mostrar
que dimE" 1 = k. Para terminar, en cada E"-; podemos encontrar una base or-
tonormal. Esto completa la demostración. 11
o qn2 qn3 qnn
y
Á1 -¡\ o o o
o q22-A q23 q2n Problemas 6.4
1
o q32 q33-A q3n
I0 AQ-AII=
En los Problemas del l al 8 encuentre una matriz ortogonal que diagonalice
la matriz simétrica dada.
o qn2 qn3 qnn -A 1. (! -~) 2. G ~) 3
· (-11 -1)1
344 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS
6.5 • Formas cuadráticas y secciones cónicas 345

4. (-: -1)
-1
-1
1 -1
-1 1
s.
e ~)~
2
-1
2
-1 o
6. (-~
-1
2
-~
-1 . 1
surgen en un gran .número de aplicaciones que van desde una descripción de
funciones de costos en economía hasta el análisis del control de un cohete que
viaja en el espacio.

Go ~)
2
(-: o o Definición 1 Ecuación cuadrática y forma cuadrática.

D
7. 2 8. o o o i. Una ecuación cuadrática en dos variables con términos no lineales es una
o o o ecuación de la forma
9. Sea Q una matriz ortogonal simétrica. Muestre que si A es un valor característico
de Q, entonces A = ±l.
10. A es equivalente ortogonalmente a B si existe una matriz ortogonal Q tal que B = ax 2 +bxy+cy 2 =d
1
Q AQ. Suponga que A es equivalente ortogonalmente a By que Bes equivalente
ortogonalmente a C. Muestre que A es equivalente ortogonalmente a C.
11. Muestre que Q = (: ~) es ortogonal entonces b = ±c. [Sugerencia: Escriba las
donde !al+ lbl +!el# O.

ecuaciones que resulten de la. ecuación Q 1Q J.] ii. Una f arma cuadrática en dos variables es una expresión de la forma
12. Suponga que A es una matriz simétrica real con cada uno de sus valores caracterís-
ticos igual a cero. Muestre que A es la matriz cero.
13. Muestre que si una matriz real A de 2 x 2 tiene vectores característicos que son
ortogonales, entonces A es simétrica.
[ F(x, y)=ax 2 +bxy+cy 2 (2)

14. Sea A una matriz antisimétrica (A 1 = -A). Demuestre que cada valor caracterís-
tico de A es de la forma ia, donde a es un número real. Esto es, demuestre que
donde lal+lbl+icl#O.
cada valor característico de A es un número imaginario puro.
* 15. Muestre que los valores característicos de una matriz hermitiana compleja de n x Obviamente las ecuaciones cuadráticas y formas cuadráticas están íntima-
mente relacionadas. Empezaremos nuestro análisis de formas cuadráticas con
n son reales. [Sugerencia: Use el hecho de que en C", (Ax, y) (x, A*y).]
=

* 16. Si A es una matriz hermitiana de n x n, muestre que los vectores característicos un ejemplo sencillo.
correspondientes a valores característicos diferentes son ortogonales. Considere la forma cuadrática F(x, y)=x 2 -4xy+3y 2 • Sea v= {:) Y
* * 17. Repitiendo la demostración del Teorema 3, excepto que vf sustituye v/ donde sea
adecuado, muestre que cualquier matriz hermitiana de n x n tiene n vectores ca-
racterísticos orto normales. A = (_~ -~). Entonces

Av·v=C -~)(;)·(;)=C:~~n·G)
18. Encuentre una matriz unitaria U tal que U* A U sea diagonal, donde A =
1 1-i).
( l+i o
= (x 2 -2xy) + (-2xy + 3y 2 ) = x 2 -4xy + 3y 2 = F(x, y)
19. Haga lo mismo para A= ( 2 3-53i).
3+3i
De esta manera hemos "representado" la forma cuadrática F(x,y) por la
20. Demuestre que el determinante de una matriz hermitiana es
matriz simétrica A en el sentido de que

6.S Formas cuadráticas y secciones cónicas

En esta sección usaremos el material de la Sección 6.4 para encontrar informa-
ción acerca de las gráficas de ecuaciones cuadráticas. Las ecuaciones cuadráti- Recíprocamente, si A es una matriz simétrica, entonces la Ecuación (3) define
cas y las formas cuadráticas, que se definen más adelante, surgen de diversas una forma cuadrática F(x, y)= Av· v.
maneras. Por ejemplo, podemos usar formas cuadráticas para obtener infor-
mación acerca de las secciones cónicas en lR 2 (circunferencias, parábolas, elip- La función F(x,y) puede ser representada por muchas matrices pero sólo por
ses, hipérbolas) y extender esta teoría para describir ciertas superficies llama-
das superficies cuádricas en lR 3 • Estos temas serán discutidos más adelante en
una matriz simétrica. Para ver esto, sea A= G ~), donde a+ b = -4. En-
esta sección. Aunque no lo discutiremos en este texto, las formas cuadráticas tonces Av·v=F(x,y). Si A=(_~ ~), por ej~mplo, entonces Av=
346 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS y FORMAS CANÓNICAS 6.5 • Formas cuadráticas y secciones cónicas 341

X+ 3y) F'(x', y')= Dv' · v' = (::;:) • (;:) = a'x'

2
+ c'y''
( _ 7 x + 3 Y Y Av · v = x 2 + 3y 2 • Sin embargo, si insistimos en que
- 4xy
A sea simétrica, entonces debemos tener a + b = -4 y a = b. Este par de
ecuaciones tienen la solución única a = b -2. Esto es: F' (x', y') es una forma cuadrática sin el término x'y'. Por lo tanto
Si F(x, y)= ax + bxy + cy 2 es una forma cuadrática, sea
2 la Ecuación (9) es una ecuación cuadrática en las nuevas variables x'y' donde
el término x'y' ha desaparecido.

flE~ma>IO 1 Considere la ecuación cuadrática x 2 -4xy + 3y 2 = 6. Entonces, como hemos

1 2
.
visto, 1a ecuac1on
. ' pue de escn'b"irse en 1a f orma Ax· x = 6, donde A = ( - ).
-2 3
Anteriormente, en el Ejemplo 6.4.1, vimos que A puede ser diagonalizada a
Entonces
2- j5 o )
+ j5
Av. v= [ (b;2 b~2)(;) H:H~:i;~b~2~n. (;) D = (
0 2
Q-
usando la matriz ortogonal

1 ( 2 1-JS)
= ax 2 + bxy + cy 2 = F(x, y) - J10-2j5 -1 +.JS
2
Ahora regresemos a la Ecuación cuadrática (1). Usando (3), podemos escri-
bir (1) como Entonces x'-(x')-Qtx_ 1 ( 2 -l+JS)(x)
y' J10-2j5 1-JS 2 y
1 (2x +(-1 +J5)y)
= J10-2j5 (1-JS)x +2y
y en las nuevas variables la ecuación puede escribirse como

donde A es simétrica. Por el Teorema 6.4.4, existe una matriz ortogonal Q tal (2-.J5)x' 2 + (2 + .J5)y' 2 = 6
que Q 1AQ = D, donde D = diag (f. 1 , f. 2 ) y f. 1 y f. 2 son los valores caracte-
rísticos de A. Entonces A QDQ 1 (recuerde que Q 1 = Q - 1 ) y (5) puede ser
escrito
Examinemos la matriz Q. Ya que Q es real y ortogonal, 1 = det QQ- 1 =
(QDQtv) · v= d (6) det QQ 1 = det Q det Q t = det Q det Q = ( det Q) 2 • De esta manera det Q =
Pero, por el Teorema 5.5.1, Av · y = v · A 1y. De e.; i manera ± 1. Si det Q = -1, podemos intercambiar los renglones de Q para hacer el
determinante de esta nueva Q igual a 1. Entonces puede mostrarse (Problema
Q(DQtv) · v = DQtv · Qtv (7) cos O -sen O) , ,
por lo que (6) se puede escribir 36) que Q = ( para algun numero O con 0~8<211". Pero, del
sen(} cos (}
[DQtv] · Qcv= d (8) Ejemplo 5.1.8, esto significa que Q es una matriz de rotación. Por consiguien-
te, hemos probado el siguiente teorema.
Sea v' = Qcv. Entonces v' es un vector de dimensión 2 y (8) se convierte en

Teorema 1 Teorema de los ejes principales en IR 2 • Sea ax 2 + bxy + cy 2 d (10)

una ecuación cuadrática en las variables x y y. Entonces existe un único núme-

ro () en [O, 211") tal que la Ecuación (10) puede escribirse en la forma
Veamos (9) más de cerca. Podemos escribir v' = (;:). Ya que una matriz
a'x' 2 + c'y' 2 = d
diagonal es simétrica, (9) define una forma cuadrática F' (x',y') en las va-

riables x' Y y'. Si D = (ª'O O), entonces Dv' =

e'
(ª'O e'O)(x'y') = (ª'x')
c'y' Y
donde xi, y' son los ejes obtenidos al rotar los ejes x y y un ángulo O en el sen-
tido contrario a las manecillas del reloj. Más aún, los números a' y e' son los
348 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS 6.5 • Formas cuadráticas y secciones cónicas 349

, •
va1ores caractensticos d e la matnz
• A = ( a b/2) . Los e]es
• x y y se 11 aman,
f I
De esta manera() está en el primer cuadrante y, usando una tabla (o una calcu-
b/2 e · ladora de bolsillo), encontramos que() ~ 0.5536 rad ~ 31.7º. Por lo tanto,
ejes principales de la gráfica de la Ecuación cuadrática (10). (16) es la ecuación de una hipérbola estándar rotada un ángulo de 31.7º (vea
Figura 6.1).
Podemos usar el Teorema 1 para identificar tres secciones cónicas importan-
tes. Recuerde que las ecuaciones estándares de la circunferencia, la elipse y la
hipérbola son: Ejemplo 3 Identifique la sección cónica cuya ecuación es
5x 2-2xy + 5y 2 = 4 (17)

Circunferencia: x2+y2=r2 (12)

x2 y2
Solución Aquí A=(_~ - ~), los valores característicos de A son J..1 =4 y J..2 = 6, y dos
Elipse: -+-=1 (13)
ª2 b2 11J2) . Enton-
vectores característicos ortonormales son v 1 = ( 1/./2)
l/./2 y V2 = ( -l!J2
x2y2

Hipérbola: ¡o ---=l
ª2 b2 (14)

(15)
ces Q = ·(l!JJ
1/v2 -1/v2
11 1;). Antes de continuar notemos que det Q -1. Para
que Q sea una matriz de rotación, necesitamos que det 1. Esto se consigue
=

fácilmente permutando los vectores característicos. Por consiguiente asignamos

_ _
A1 -6, A2 -4, V1 -
_ (-1/Ji
1/./2)'V2 = 1/./2 (1/./2) y Q
= (
-1/../2
1/../2) ·
11./2 ' ahora
Identifique la sección cónica cuya ecuación es
bien det Q = l. Entonces D = (~ ~) y (17) se puede escribir como Dv · v
x2 +3y 2 =6 (16) 4 o bien
Solución En el Ejemplo 1 encontramos que esto puede escribirse como (2-J5)x' 2 + 6 X i2 + 4 y i2 = 4
(2 + J5)y' 2 = 6 o bien
donde ( x') = ot(x) = (1/./2 -1/Ji)(x) = (1/./2x-l/./2y)
1 y' y l!J2 1/J2 y 1/J2x + 1/J2y
6/(./5--2)
Simplificando (18), obtenemos x' /(~) + y' /l = 1, lo cual es la Ecuación
2 2
Esta es la Ecuación con a =J6/(2+J5)= 1.19 y b =J6t(-15-i)=5.04. con a = ~ y b = l. Más aún, ya que 1/../2 >O y -1/../2 <O, tenemos, del
Yá que
Problema 36, o= 21T -cos- 1 (1/../2) = 21T -1T/4 = 71T/4 = 315º. De esta manera
1 (17) es la ecuación de una elipse estándar rotada un ángulo de 315º (o 45º
en la dirección de las manecillas del reloj). Figura
2
y det Q = 1, tenemos, usando el Problema 36 y el hecho de que 2 y -1 son y
positivos,
2
coso 0.85065
y
Figura U

.#' x'
/

Figura 6.1 '31. 7º

----:::'k''---'---ll>-X 5x 2 2xy + 5 y2 = 4

Ejemplo 4 Identifique la sección cónica cuya ecuación es

x2 - 4xy + = 6 -5x 2+2xy-5y 2 = 4

350 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS
6,5 • Formas cuadráticas y secciones cónicas 351
Solución Recurriendo al Ejemplo 3, la Ecuación (19) puede volver a escribirse como
Ejemplo 5 Considere la ecuación cuadrática
-6x' 2 -4y' 2 = 4 (20)
5x 2 + 8xy + 5y 2 +4xz +4yz +2z 2 =100 (23)
Puesto que para cualquier número real x' y y' se tiene que -6x' 2 - 4y' 2 :::; O,
vemos que no hay números reales x y y que satisfagan (19). La sección cónica
definida por (19) se llama una sección cónica degradada (o degenerada). Si A = G~ D Y v = (;} entonces (23) puede escribirse en la forma

Av ·v= 100 (24)

Existe una manera sencilla de identificar la sección cónica definida por
(21) Del Ejemplo 6.4.2, Q 1AQ D =
(
1 o
O 1
º)
O , donde Q =
o o 10
S1. A = ( b/a b/2)
e , entonces la ecuac1on , . d e A es
. , caractenstica
2 -11J2 - l/3J2 2/3)
( 1/J2 - l/3J2 2/3
o 4¡3J2 1/3
2
Esto significa que A. 1 A2 = ac - b /4. Pero la Ecuación (21) puede, como hemos
visto, volverse a escribir como X') (-1/J2 1/J2 0 )(X)y
(22)
Sea
z'
(
v' = y' = Qtv= - l/3J2
2/3
-l/3J2 4/3J2
2/3 1/3 z
Si A1 y A2 tienen el mismo signo, entonces (21) define una elipse (o una circun- (-1/J2)x + (1/J2)y )
ferencia) o una cónica degenerada como en los Ejemplos 3 y 4. Si A1 y A2 tie- = ( -(1/3J2)x -(l/3J2)y + (4/3J2)z
nen signos opuestos, entonces (21) es la ecuación de una hipérbola (Ejemplo (2/3)x + (2/3)y + (1/3)z
2). Por lo tanto podemos demostrar el siguiente teorema.""~
Entonces, como antes A = QDQ 1 y Av · v = QDQ 1v · v = DQ tv · Q 1v =
Dv' · v'. De esta manera (24) puede escribirse con las nuevas variables x', y,
Teorema 2 Si A = (b;2 b~2 ), entonces la,Ecuación -~uadrática (21) con d-.:/= O es la ecua- z' como Dv' · v' = 100 o bien
ción de: x' 2 +y' 2 +10z' 2 =100 (25)
i. Una hipérbola si det A < O. En ~ 3 , la superficie definida por (25) se ll~ma elipsoide (Figura 6.3).
ii. Una elipse, circunferencia o sección cónica degradada si det A ~ O.
m. Un par de rectas o una sección cónica degradada si det A = O.
iv. Si d = O, entonces (21) es la ecuación de dos rectas si det A -.:/= O, y si
detA = O. /
/ '

Figura 6.3 -~-\--º'·E-/-/--,----- y

Demostración Ya hemos demostrado que (i) y (ii) son ciertas. Para probar la parte (iii), su-
ponga que detA = O. Entonces por el Teorema Resumen (Teorema 6.1.6), A X

O es un valor característico de A y la Ecuación (22) se convierte en A1x' 2 = do 2

x' + y' 2 + 10z' 2 = 100
A2 y' 2 =d. Si A1 x' 2 = d y di A1 >O, entonces x~ = ±,JJ¡A. 1 es la ecuación de dos
rectas en el plano xy. Si d/A 1 <O, entonces tenemos x' 2 <0 (lo cual es impo-
sible) y obtenemos una cónica degenerada. Los mismos resultados son válidos
si A2 y' 2 =d. La parte (iv) se deja como ejercicio (Problema 37). 111
Existe una amplia variedad de superficies de tres dimensiones con la forma
Av· v = d, donde v E ~ 2 • Estas superficies se llaman superficies cuádricas.
Nota. En el Ejemplo 2 teníamos det A ac - b 24 = -1. En los Ejemplos 3
y 4 teníamos det A = 24.
Los métodos descritos anteriormente se pueden usar para analizar ecuacio- Cerraremos esta sección haciendo notar que las formas cuadráticas pueden
nes cuadráticas con más de dos variables. A continuación damos un ejemplo. estar definidas en cualquier número de variables.
352 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS 6.5 • Formas cuadráticas y secciones cónicas

Definición i Forma cuadrática. Sea v = ( j:) , y sea A ~na matriz simétrica de n x n .. En-
Problemas 6.5

En los Problemas del 1 al 13 escriba la ecuacwn cuadrática en la f arma

Av · v = d (donde A es una matriz simétrica) y elimine el término xy girando
tonces una forma cuadrática en x 1 , x 2 , ••• , xn es una expresión de la forma
los ejes un ángulo e. Escriba la ecuación en términos de las nuevas variables
(26) e identifique la sección cónica obtenida.
1. 3x 2-2xy-5=0 2. 4x 2 +4xy +y 2 = 9 3. 4x 2 +4xy-y 2 =9
4. xy = 1 5. xy =a; a >O 6. 4x 2 +2xy +3y 2 +2 =O
Ejemplo 6 7. xy =a; a <O 8. x 2 +4xy +4y 2 -6 =O 9. -x 2+2xy-y 2 =0

-~)
1

~
Sea 2
10. 2x 2 +xy+y 2 =4 11. 3x 2 -6xy + 5y 2 = 36 12. x 2 -3xy +4y 2 = 1
-4 6 13. 6x 2+ 5xy -6y 2+7 =O
A=( 6 7 -1 14. ¿Cuáles son las posibles formas de la gráfica de ax 2 + bxy + =O?
-2 5 -1 3
En los Problemas del 15 al 18 escriba la forma cuadrática en las nuevas varia-
bles x', y' y z' de modo que no aparezcan términos cruzados (xy, xz,

~
1 2 15. x 2 -2xy + y 2 -2xz -2yz + z 2 16. -x 2 +4xy-y 2 +4xz+4yz+z 2
-4 6 17. 3x 2 +4xy +2y 2 +4xz +4z 2 18. x 2 -2xy +2y 2 -2yz + z 2
Entonces Av·v= [(
-~
6 7
5 -1 En los Problemas del 19 al 21 encuentre una matriz simétrica A tal que la for-
ma cuadrática pueda ser escrita en la forma Ax · x.
2x1+ X2+2x3-2X4) (X1)
X1 -4x2+6x3+5X4 • X2
x;
19. xi +2X1X2 + + 4X1X3 + 6x2X3 + 3x; + 7X1X4 -2X2X4 +X¡
x;
20. xi- + X1X3 - X2X4 +X~
( 2x 1+6x 2+7x 3 x4 x3 21. 3xi-7x1X2 -2x; + X1X3 - X2X3 + 3x;-2x1X4 + X2X4 -4X3X4 -6x¡ + 3x1Xs -5X3X5 +
-2x1+5x2- X3 + 3X4 X4 X4X5 -x;
22. Suponga que para algún valor de d distinto de cero, la gráfica de ax 2 + bxy +
= 2xi + 2x 1x 2- 4xª + 4x 1x 3+ l 2x 2x 3 d es una hipérbola. Muestre que la gráfica es una hipérbola para cualquier
otro valor de d distinto de cero.
+7x~-4X1X4 + lOX2X4-2X3X4 +3x¡
23. Muestre que si a ::f=. e, el término xy en la ecuación cuadrática (1) será eliminado
por una rotación de un ángulo O, en donde e está dado por cot 20 = (a - e)/ b.
(después de simplificar)
24. Muestre que si a = e en el Problema 23, entonces el término xy será eliminado por
una rotación de un ángulo de 7r/4 o bien -71"/4.
* 25. Suponga que una rotación convierte ax 2 + bxy + en a' + b' +
Ejemplo 1 Encuentre la matriz simétrica A correspondiente a la forma cuadrática e' (y') 2 • Muestre que:
26. Se dice que una forma cuadrática F(x) = F(x1, x 2 , ••• , Xn) es definida positiva
5xi-3x1X2 +4xª + 8x1X3 -9x2X3 + 2x~ X1X4 + 7X2X4 + 6X3X4 + 9x¡
si F (x) ;;:::: O para todo x E [Rn y F (x) = O si y sólo si x = O. Muestre que Fes
definida positiva si y sólo si la matriz simétrica A asociada con F tiene valores ca-
Solución Si A= (a¡i), entonces observando los ejemplos anteriores de esta sección, ve- racterísticos positivos.
mos que a¡¡ es el coeficiente del término xr
y a ij + a ji es el coeficiente del tér- 27. Se dice que una forma cuadrática F(x) es semidefinida positiva si F(x) 2:: O para
mino X¡XJ. Puesto que A es simétrica, ªu = aJi; por lo tanto ªu = aJi = ~ · todo x E [Rn. Muestre que Fes semidefinida positiva si y sólo si los valores carac-
(coeficiente del término X¡X). Escribiendo todo esto junto, obtenemos terísticos de la matriz simétrica asociada con F son todos no negativos.

e
3
-2 4 Las definiciones de definida negativa, semidefinida negativa son las de los Pro-
A= 2
4
1
4
9
-2
7
2
3
-¡) blemas 26 y 27 con :SO en lugar de 2::: O. Una forma cuadrática es indefinida
si no es ninguna de las anteriores. En los Problemas del 28 al 35 determine si
la forma cuadrática dada es definida positiva, semidefinida positiva, definida
-2 2
negativa o indefinida.
31. +2y2
354 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS 6.6 e Forma canónica de Jordan 355
2 2
32. x 2 -2xy+2y 2 33. x 2 -4xy+3y 2 34. -x 2 +4xy-3y 2 35. -x +2xy-2y demás posiciones. Definimos una matriz bloque de Jordan* B(A.) de k x k como
* 36. Sea Q = (
a b) ,
una matriz ortogonal real con det Q = 1. Defina el número (} E
, A 1 o o o
e d .
[O, 2?r ): o A 1 o o
a. Si a 2: O y e> O, entonces O = cos- 1 a (O< O:::; 7T/2).
b. Si 1
a 2: O y e< O, entonces O = 27T - cos- a (37T/2:::; O< 27T ). B(A)=AI+Nk= (2)
1
c. Si a:s;O y c>O, entonces 8=cos- a (7T/2:s;6<7T).
d. Si 1
a:::; O y ·e< O, entonces O= 27T -cos- a ( 1T <O:::; 37r/2). o o A 1
e. Si a= 1 y e =O, entonces O =O. o o o A
f. Si a = -1 y e =O, entonces 6 = 1T.
(Aquí cos- 1 x E [O, 7r] para x E [-1, 1].) Con(} escogido como antes muestre que Esto es, B('A) es la matriz de k x k con el número fijo 'A en la diagonal, unos
cos O -sen O) arriba de la diagonal y ceros en las demás posiciones.
Q= ( .
sen O cos O
37. Demuestre, usando la fórmula 22, que la Ecuación (21) es la ecuación de dos rectas
Nota. Podemos tener (y con frecuencia tendremos) una matriz bloque de Jor-
en el plano xy cuando d = O y det A -=!=O. Si det A = d = O muestre que la Ecua- dan de 1x1, que toma la forma B(A) =(A).
ción (21) es la ecuación de una sola recta. Una matriz de Jordan J tiene la forma
38. Sea A la representación matricial simétrica de la ecuación cuadrática (1) con d-=!= o
O. Sean /.- 1 y t.. 2 los valores característicos de A. Muestre que (1) es la ecuación de:
(a) Una hipérbola si t.. 11.. 2 < O y (b) una circunferencia, elipse o sección cónica de-
o
generada si A11' 2 > O. J=

donde cada B/A) es una matriz bloque de 1ordan. De esta manera una matriz
6.6 Forma canónica de Jordan de Jordanes una matriz con matrices bloque de Jordan en la diagonal y ceros
Como hemos visto, las matrices den x n con n vectores característicos lineal- en las demás componentes.
mente independientes pueden ser llevados a una forma especialmente agra-
dable mediante una transformación de equivalencia. Afortunadamente, como
la "mayoría" de los polinomios tienen diferentes raíces, la "mayoría" de las Ejemplo 1 Los siguientes ejemplos muestran matrices de Jordan. Los bloques de Jordan
matrices tendrán diferentes valores característicos. Sin embargo, como vere- están marcados por las líneas punteadas
mos en la Sección 6. 7, las matrices que no son diagonalizables (esto es, que no
tienen n vectores característicos linealmente independientes) aparecen en cier-
tas aplicaciones. En este caso todavía es posible mostrar que la matriz es
equivalente a otra matriz más simple, pero la nueva matriz ya no es diagonal y i.
('. º)21 . ~
la matriz de transformación e es más difícil de obtener.
Para discutir este caso completamente, definimos la matriz Nk como la 0:4
matriz de k x k -3 o o o o
o 1 o o o. -3 1 o:o
o o 1 o ii. o o -3 1 :o
(1) o o o -3. o
Nk=

o o o 1 o o o 0·7

o o o o * Llamada así en honor del matemático francés Camille Jordan (1838-1922). Los conceptos de
esta sección aparecieron por primera vez en su excelente trabajo Traité des substitutions et des équa-
Note que Nk es la matriz con unos arriba de la diagonal principal y ceros en las tions algebriques, el cual fue publicado en 1870.
 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS 6.6 • Forma canónica de Jordan 351

4 o o o o o
1.
2 1 o o o o
o 4:0 o o o o o 2 o o o o
o 0·3 o. o o 1 o o 3 1 o o
11 = , entonces A también es equivalente a
m. o o.o 3 1 o o o o o 3 1 o
o o o o 3. o o o o o o 3 o
o o o o o 4
o o o o o: 5 1
o o o o o: o 5 3 1 o o o o 4 o o o o o
o 3 1 o o o o 2 1 o o o
o o 3 o o o o o 2 o o o
Las únicas matrices de Jordan de 2 x 2 son ( ~
1
~J y (~ ~). 12=
o o o 4 o o y 13=
o o o 3 1 o
o o o o 2 1 o o o o 3 1
o o o o o 2 o o o o o 3
fJemolo 3 Las únicas matrices de J ordan de 3 x 3 son
o y otras tres matrices de J ordan. Esto es, los bloques de J ordan son los mismos,
pero se puede cambiar el orden en el que se escriben.
A2
o
Definición 1 La matriz J se llama forma canónica de Jordan de A.
donde /\ 1, /\2 y /\3 no son necesariamente distintas.

Observación. Si A es diagonalizable, entonces, J = D = diag ( /\ 1 , >-- 2 , ••• , >-n),

El siguiente resultado es uno de los teoremas más importantes en la teoría de
matrices. Aunque su demostración está más allá del alcance de este libro*, pro-
baremos este teorema en el caso de 2 x 2 (vea Teorema 3) y sugeriremos una
demostración para el caso de 3 x 3 en el Problema 19.
Teorema 1 Sea A una matriz de n x n. Entonces existe una matriz invertible e de n x n
tal que
donde /\ 1, A. 2 , ••• , "-n son los valores característicos de A (no necesariamen-
te distintos). Cada componente de la diagonal es una matriz bloque de Jordan
de 1 X l.
V eremos ahora cómo calcular la forma canónica de Jordan de cualquier
matriz de 2 x 2. Si A tiene dos vectores característicos linealmente indepen-
dientes, entonces ya sabemos qué hacer. Por consiguiente el único caso de inte-
rés ocurre cuando A tiene un solo valor característico A. de multiplicidad al-
gebraica 2 y multiplicidad geométrica 1. Esto es, suponemos que, para A., A
tiene el único vector característico independiente v1• Esto es: Cualquier vector
que no sea un múltiplo de v 1no es un vector característico.

Teorema !l Sea la matriz A de 2 x 2 con un valor característico A. de multiplicidad al-

gebraica 2 y multiplicidad geométrica 1. Sea v1 un vector característico corres-
pondiente a A.. Entonces existe un vector v2 que satisface la ecuación
donde J es una matriz de J ordan cuyos elementos diagonales son los valores
característicos de A. Más aún, J es única excepto por el orden en que aparecen
los bloques de J ordan.

Observación 1. La última afirmación del teorema significa que si A es equiva-

lente a
Demostración Sea x E C 2 un vector constante que no sea un múltiplo de v1 por lo cual x no es
un vector característico de A. Primero mostraremos que
* Si desea ver una demostración consulte G. Birkhoff y S. MacLane, A Survey of Modern Alge-
bra (Nueva York: MacMillan, 1953), p. 334. w= (A-H)x
358 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS 6.6 • Forma canónica de Jordan 359
es un vector característico de A. Esto es, demostraremos que w = cv 1 para al- de A. Entonces el vector v2 definido por (A - Al)v2 = v 1 se llama vector ca-
guna constante c. Ya que wEC 2 y v 1 y x son linealmente fo.dependientes, exis- racterístico generalizado de A correspondiente al valor característico de A.
ten constantes c 1 y c2 tales que

(6)
Ejemplo 4 Sea A=(~ =~).La ecuación característica de A es A 2
+2A + 1=(A+1) 2 = O,
Para mostrar que w es un vector característico de A, debemos mostrar que por lo que A= -1 es un valor característico de multiplicidad algebraica 2.
c2 =O. De (5) y (6) encontramos que Entonces
(A-AI)x= c 1 v 1 +c 2 x (7)
Sea B =A -(A+ c 2 )I. Entonces, de (7),
Bx =[A -(A+ c 2 )1]x = c 1 v 1 (8) De aquí obtenemos el vector característico v 1 = G). No existe otro vector ca-
Si suponemos que c2 -=!= O entonces A + c2 -=/= A y A + c2 no es un valor caracte- racterístico linealmente independiente. Para encontrar un vector característico
rístico de A (ya que A es el único valor característico de A). Se tiene de esta
generalizado v2 , calculamos (A + l)v 2 = v, o bien(~ =~)(: ) =
2 G),
1
forma que det B = det [A - (A + c2)/] -=/= O, lo cual significa que B es inver- lo
tible. De aquí que (8) puede escribirse como cual nos da el sistema

(9) 4x 1 -2x 2 =1
8X1-4X2=2
Entonces, multiplicando ambos lados de (9) por A?
Ax= Ac 1B- 1 v 1 = c 1B- 1 Av 1 = c 1B- 1Av 1 La segunda ecuación es el doble de la primera, por lo que x 2 puede escogerse
(10)
arbitrariamente y x 1 =(1+2x 2 )/4. Por consiguiente una posible elección de v2

(~).
Pero B A - (A + c2 )/, de manera que
es V2 =
A = B +(A + C2)I (11)
Sustituyendo (11) en (10),
Ax= c 1B- 1[B +(A +c 2 )I]v1 La necesidad de encontrar el vector característico generalizado se da en el si-
C1[/ +(A+ C2)B- 1Jv1 guiente teorema.
= C1V1 +(A+ c 2 )c 1 B- 1 v 1 (12)
Pero, usando de nuevo (8), c 1 B- 1 v 1 = x, por lo que (12) se convierte en Teorema 3 Sea A, A, v 1 y v2 como en el Teorema 2 y sea C la matriz cuyas columnas son
1
Ax = e1 v 1 + (A + c 2 )x = e 1v 1 + c 2x + Ax V¡ y V2. Entonces c- 1AC = J, en donde J = ("· ) es la forma canónica de
Jordan de A. O A
o bien (13)

Pero v 1 y x son linealmente independientes, así c 1 = c2 =O. Esto contradice la hi-

pótesis de que c2;t:O. De esta manerac 2 =0 y, por (6), w es un múltiplo de v 1 Demostración Puesto que v 1 y v2 son linealmente independientes, vemos que Ces invertible.
por lo que w=c 1v 1 es un vector característico de A. Más aún, w;t:O ya que si Ahora nótese que AC = A (v 1 , v2) = (Av 1 , = ( AV 1 , Av 2 ). Pero por la

w O entonces (5) nos dice que x es un vector característico de A. Por consi- Ecuación (4), Av 2 = v 1 + AV 2 de modo que AC = ( AV 1, v 1 + Asimis-
guiente c 1 ;t: O. Sea
mo CJ = (v 1, v2) (~ ~) (A.v 1, v 1 + De esta manera AC = CJ, lo
(14) cual significa que c-iAc = J y el teorema está demostrado. 111

Entonces (A -U)v2 = (1/c 1)(A - U)x = (l/c 1 )w v 1. Esto demuestra el teo-

rema. •
Ejemplo 5 En el Ejemplo 4, V1 = G) y V2 = (~). Entonces e= ~)
o'
c-1 =
Definición i Vector característico generalizado. Sea A una matriz de 2 x 2 con el único valor
característico A con multiplicidad geométrica 1. Sea v 1 un valor característico - 2 Cg -n=(~ -D,y
360 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS 6.6 @ Forma canónica de Jordan

c-1Ac=(4º ~)(38
-2
-2)(12 o.!)·
-5 5. Go D 3 6. 31 º)
1 7.
o
3
o D 8. Go 3
o 2
o o o o o o
=(~ -DC~ D= (-~ -11)=1 9.
Go D
1
1 10.
(j 2 1 o
o 2
o o 2
o o o !) 11. (j 1 2 o
o 1 2
o o
o o o !)
El método antes descrito puede generalizarse para obtener la forma canóni- o o o o o
o o o
ca de Jordan de cada matriz. Nosotros no haremos esto, pero sugerimos una
generalización en el Problema 19. Aunque no demostraremos este resultado
siempre es posible determinar el número de unos arriba de la diagonal en la
forma canónica de J ordan de una matriz de A de n x n. Sea A.. un valor caracte-
rístico de A con multiplicidad algebraica r¡ y multiplicidad g~ométrica S¡. Si A.,,
12. (j 3 1 o
o 3 o
o o 5
o o o
13. (! b o o
O e o
o o d
o o
14. (! a O o
O e 1
o O e
o o
A. 2 , ••• , A.k son los valores característicos de A, entonces: ,
En los Problemas del 15 al 18 encuentre una matriz invertible C que transfor-
me la matriz de 2 x 2 a su forma canónica de Jordan.
El número de unos arriba de la diagonal de la forma canónica de
(~ ~)
(-10
18. (41 -1)
-7)
Jordan de A 15. 16.
-7 17. 7 4 2

k k
(15) * 19. Sea A una matriz de 3 x 3. Suponga que A es un valor característico de A con mul-
r¡- IS¡ n- IS¡ tiplicidad algebraica 3 y multiplicidad geométrica 1 y sea v 1 el vector característico
correspondiente.
i=l i=l
a. Muestre que existe una solución, v2 , para el sistema (A - 'AI)v 2 = v 1 tal que
v 1 y v2 son linealmente independientes.
Si conocemos la ecuación característica de una matriz A, entonces podemos b. Con v2 definida por la parte (a), demuestre que existe una solución v 3 para el
determinar las posibles formas canónicas de J ordan de A. sistema (A - 'AI)v 3 = v2 tal que v 1, v2 y v 3 son linealmente independientes.
c. Demuestre que si Ces una matriz cuyas columnas son v 1, v2 y v1 , entonces

c1.:;1m11u 6 Si la ecuación característica de A es (A.- 2) 3 (A. + 3), entonces las posibles formas c- 1 Ac=(~ ~ ~)·
O O A
canónicas de J ordan de A son
20. Aplique el procedimiento descrito en el Problema 19 para reducir la matriz A
o o o o
~),(~ ~)' (~
1 1
1
2 o
o 2
o o -3 o o o -3
2
o
o
2 o
2

o o o
1
2 j) A

Jordan.
1 mediante una transformación equivalente a su forma canónica de

o cualquier matriz obtenida por un nuevo arreglo de los bloques de J ordan en -2

J. La primera matriz corresponde a una multiplicidad geométrica de 3 (para 21. Haga lo mismo para A = -1
A= 2); la segunda corresponde a una multiplicidad geométrica de 2; y la tercera 3
corresponde a una multiplicidad geométrica de 1.
22. Haga lo mismo para A = G=~~ =:)-
23. Una matriz A den x n es nulipotente si existe un entero k tal que Ak = O. Si k
Problemas 6.6 es el entero más pequeño con tal característica, entonces k es llamado el índice de
nulipotencia de A. Demuestre que si k es el índice de nulipotencia de A y si m :::::
En los Problemas del 1 al 14 determine si la matriz dada es una matriz de Jordan. k entonces Am = O.

1. (~ -~) 2. (~ ~) 3
· (1o 2)1 4.
(
o1 o3 º)
1
24. Sea Nk la matriz definida por la Ecuación (1). Demuestre que Nk es nulipotente con
índice de nulipotencia k.
o o 3 25. Escriba todas las posibles matrices de Jordan de 4 x 4.
36~ CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS 6.7 • Una aplicación importante: Ecuaciones diferenciales matriciales 363

En los Problemas del 26 al 31 está dado el polinomio caracterlstico de una ma- función exponencial. En esta sección consideraremos una generalización de la
Ecuación (3).
triz A. Escriba las posibles formas canónicas de Jordan para A. .
En el modelo discutido anteriormente, buscamos una función desconocida.
26. (A+ 1)2 (A -2) 2 27. (A -3)3(A + 4) 28. (A - 3) 4 A menudo se tiene que aparecen varias funciones vinculadas por varias ecua-
29. (A-4) 3 (A+3) 2 30. (A-6)(A+7) 4 31. (A+7) 5 ciones diferenciales. Algunos ejemplos se dan más adelante en esta sección. Con-
32. Usando la forma canónica de Jordan, demuestre que, para cualquier matriz A de sidere el siguiente sistema de n ecuaciones diferenciales en n funciones incógnitas
n X n, det A A 1A2 • • • An, donde A 1, A2 , •.. , An son los valores característicos
de A. x~(t)=a11x 1 (t)+a12X 2 (t)+ · · · +a 1nxn(t)
~~(t)=a21~1(t)+a22~2(t)+ · · · +a2n~n(t)
(6)
º6.7 Una aplicación importante: Ecuaciones
diferenciales matriciales
Sea x = f(t) una función que representa una cantidad física tal como el volumen donde los a iJ son números reales. El sistema (6) se denomina un sistema de
de una sustancia, la población de determinada especie, la masa de una sustan- ecuaciones diferenciales lineales de primer orden den x n. El término "primer
cia radiactiva o el número de pesos invertidos en bonos. Entonces el crecimien- orden'' significa que en el sistema únicamente aparecen las primeras deri-
to def(t) está dado por su derivada!' (t) = dxl dt. Sif(t) crece a una razón cons- vadas.
tante, entonces dxl dt = k y x = kt + C; esto es x = f(t) es una recta. Ahora, sea

(::~:~)
Con frecuencia es más interesante y más apropiado el considerar la tasa de
crecimiento relativo definida por
x(t) =

Xn (t)
Tasa de f'(t) x'(t)
tamaño real del crecimiento (1)
crecimiento Aquí x(t) se llama función vectorial. Definimos
relativo tamaño de f(t) f (t) x(t)
xí(t)
xí(t)
Si la tasa de crecimiento relativo es constante, entonces x'(t) =
x'(t)
--=a (2)
x(t)
x~(t)
o bien
Entonces, si definimos la matriz de n x n
x'(t) = ax(t) (3)
ª11
La Ecuación (3) se llama ecuación diferencial ya que es una ecuación que
tiene una derivada. No es difícil demostrar que las únicas soluciones de (3) son
de la forma
A=
(
ª:1
anl
x(t) = ceªt (4)
el sistema (6) puede escribirse como
donde ces una constante arbitraria. Sin embargo, si x(t) representa una canti-
dad física, entonces normalmente se especifica un valor inicial x 0 = x(O) de la
cantidad. Entonces, sustituyendo t = O en (4), tenemos x 0 = x(O) = ceª·º = x'(t) = Ax(t) (7)
c o bien
(5)
La función x(t) dada por (5) es la única solución de (3) que satisface la condi- Note que la Ecuación (7) es casi idéntica a la Ecuación (3). La única diferencia
ción inicial x(O) = x 0 • es que ahora tenemos una función vectorial y una matriz, mientras que antes
La Ecuación (3) surge en muchas aplicaciones interesantes. Algunas de ellas teníamos una función "escalar" y un número (matriz de 1 x 1).
aparecen indudablemente en los textos de Cálculo, en el capítulo relativo a la Para resolver la Ecuación (7) debemos conjeturar que una solución tendría la
 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS 6.7 • Una aplicación importante: Ecuaciones diferenciales matriciales

forma e4 1• Pero ¿qué significa e4 1? Responderemos a esta pregunta en un mo- Pero como A es una matriz constante y e es un vector constante tenemos
mento. Primero, recordemos el desarrollo en serie de la función e 1: d tk d tk ktk-1 A ktk-1 [ tk-1 ]

t2 t3 t4 dt A k k! = dt k! A k ="k°! A k = (k-1)! =A A k-1 (k-1)!

et=l+t+-+-+-+ · · · (8)
2! 3! 4! Entonces, combinando (14) y (15), obtenemos (debido a que e es un vector
constante)
Esta serie converge para todo número real t. Entonces, para t9do número real a,
2 3
d
x'(t)=-eAtc=A [ I+At+A 2 -+A
t 3 -+
t ··
(at) 2 (at) 3 (at) 4 dt 2! 3!
eªt=l+at+--+--+--+ · · · (9)
2! 3! 4! Finalmente, en virtud de que eA ·0 = eº = J,

uenrn,CIC>n 1 La matriz eA. Sea A una matriz de n x n con componentes reales (o comple- x(O) = eA· 0 x 0 = Ixo = Xo· 11
jas). Entonces eA es una matriz de n x n definida por
Definición i Matriz solución principal. La matriz eA 1 se llama matriz solución principal del sis-
tema x' = Ax.
Queda pendiente un problema mayor (y obvio). ¿Cómo calculamos eA 1 de
una manera práctica? Comencemos con dos ejemplos.

Observación. No es dificil demostrar que la serie de matrices en la Ecuación (1 O)

Ejemplo 1 Sea A= O 2
eº 0·
o o
Entonces

e º º) e
converge para cada matriz A, pero hacerlo nos desviaría de nuestro objetivo.
o o
Sin embargo, podemos dar una indicación de por qué sucede esto. Primero defi-
nimos 1A 1 ¡ como la suma de los valores absolutos de las componentes en el A2= ~ 22
o
O , A 3 = O 23
32 o o 33
~). ... , Am=(~ 2m
renglón i-ésimo de A. Entonces definimos la norma de A, denotada A ¡ , por
1 o o

Se puede mostrar que

!Al= lsisn
máx IAli (11) y
eA'=I+At< <t\ .. ·=G ~ ~H~ ~t
12
1
t2 t3
D
IABl:51A!IBI (12) 2! o o 3! o
y
IA + B 1:5IA1 + (13) 23t3
+ o o + o + ...
Entonces, usando (12) y (13) en (10), obtenemos 3!
32t2
leAl:5l+IAl+IAl2 +IAl3 +IAI\ ... =elAI o o - o o
2! 3! 4! 2!
Puesto que 1A1 es un número real, el A es finito. Esto demuestra que la serie
1
t2 t3
en ( 1O) converge para toda matriz A.
l+t+-+-+ ...
2! 3!
o o
(2t) 2 (2t) 3
Ahora veremos la utilidad de la serie en la Ecuación (10). o 1+(2t)+-+-+ ... o
2! 3!

o (3t) 2 (3t) 3
Teorema 1 Para cualquier vector constante e, x(t) = eAtc es una solución de (7). Además, o 1+(3t)+-+-+ ..
la solución de (7) dada por x(t) = satisface x(O) =x 0 • 2! 3!
o
Demostración Calculamos, usando (1 O):

x(t)=eAtc= [ I+At+A 2-+A

t
2!
3 -+
t
3!
2
· · · Je
3

(14)
=
e· e~')
o
o o
e2i
366 CAPÍTULO 6 • VALORES CARACTERÍSTICOS VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS
1 6.7 • Una aplicación importante: Ecuaciones diferenciales matriciales 367

c[1 +(Jt)+ (~; + · · ·Jc- 1 = CeJtc- 1 11

2

Ejemplo 2 Sea A = (~ ~ ). Entonces, como es fácil de verificar,

=

mam-1), ... El Teorema 2 nos dice que para evaluar eAt lo único que realmente necesi-
ª2 ' A = (ªo
2a) 3
3
am tamos calcular es e 1r. Cuando J es una diagonal (como sucede en la mayoría
de los casos, sabemos entonces cómo determinar e 11 • Si A es una matriz de
00

I(atr
-
m!
I
00

mam-itm)
m.
, 2 x 2 que no es diagonalizable, entonces J =
A 'i )
(O A y e t =
1 (e Át te,\t)
At m=O m=l O e,\t
por lo que e = 00
(atr como lo calculamos en el Ejemplo 2. De hecho no es difícil evaluar e 1 r donde
m~O
(

Ü m! J es cualquier matriz de Jordan. Primero es necesario calcular e 8 ' para una

matriz bloque de Jordan B. Un método para lograrlo se da en los Problemas
mam-ltm am-ltm 2 a2t3 a3t4
L L
00 00

Ahora = =t+at +-+-+ · · · del 20 al 22.

m=l m! m=l (m 1)! 2! 3!
a 2t2 a3t3 ) Apliquemos ahora nuestros cálculos a un simple modelo biológico de creci-
= t ( 1 +at+--+--+ · · · = teªt miento poblacional. Suponga que en un ecosistema existen dos especies S 1 y S2
2! 3!
relacionadas entre sí. Denotamos las poblaciones de las especies en el momen-
eªt to t por x,(t) y x 2(t). Un sistema que gobierna el crecimiento relativo de las dos
En consecuencia, eAt= ( Ü
especies es
x~(t)= ax 1 (t)+bx 2 (t)
(18)
x~(t) = cx 1 (t) + dxit)
Como lo muestra el Ejemplo 1, es fácil calcular eAt si A es una matriz diago-
nal. El Ejemplo 1 muestra que si D = diag (A. 1 , A2 , •.• , An), entonces eDt = Podemos interpretar las constantes a, b, e y d del siguiente modo. Si las espe-
diag (e,\ e,\
1\ 2\ e.\nt).
••• , cies están en competencia, entonces es razonable tener b< O y e< O. Esto es ver-
En el Ejemplo 2, calculamos eA 1 para una matriz A en la forma canónica de dadero porque al incrementarse la población de una de las especies disminuirá el
J ordan. Resulta claro, pues, que esto es todo lo que necesitamos hacer, talco- crecimiento de la otra. Un segundo modelo es una relación entre depredador y
mo lo sugiere el siguiente teorema. presa. Si S1 es la presa y S2 es el depredador (S2 se como a S1), entonces es razo-
nable tener b <O y e> O puesto que un incremento en la especie depredadora
causará una disminución en la especie de la presa, mientras que un incremento
Teorema 2 Sea J la forma canónica de J ordan de una matriz A y sea J = e- 1A C. Entonces en la especie de la presa causará un incremento en la especie depredadora
A=CJC- 1 y (puesto que tendrán más alimento). Finalmente, en una relación simbiótica
(cada especie vive de la otra) tendríamos b>O y c>O. Por supuesto, las cons-
tantes a, b, e y d dependen de una gran variedad de factores incluyendo ali-
mento disponible, temporada del año, clima, límites debido a la sobrepobla-
ción, competencia con otras especies y muchas otras. Analizaremos cuatro
modelos diferentes usando el material en esta sección. Supongamos que t está
Demostración Primero notemos que medido en años.

A n = (CJC- 1 t = (CJC- 1 )(CJC- 1 ) • • • (CJC- 1 )

= CJ(C- 1 C)J(C- 1 C)J(C- 1 C) · · · (C- 1 C)JC- 1 Ejemplo 3 Un modelo de especies en competencia. Considere el sistema
= crc- 1
x ~ (t) = 3x 1 (t)- x2 (t)
De aquí se deduce que
x~(t) = -2x 1 (t)+2x 2 (t)
(Att = cc1trc- 1
(17)
Este sistema describe la influencia de las poblaciones de dos especies en compe-
Por lo tanto,
2 2
tencia, sobre sus respectivas tasas de crecimiento. Suponga que las poblaciones
(At) (Jt) iniciales son x (0) = 90 y xiO) = 150. Determine las poblaciones de ambas espe-
eAt=I+(At)+--+ · · · =CIC- 1 +C(Jt)C- 1 +C--c- 1 + · · · 1

2! 2! cies para t > O.

368 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS y FORMAS CANÓNICAS 6.7 • Una aplicación importante: Ecuaciones diferenciales matriciales 369

Solución Tenemos A= _ ( 32 -1)

21
. Los valores característicos de A. son }, 1= 1 y A.2 = 4 C= (-11 -~) c-1 = ( 2
-1 -~) J= (~
con sus correspondientes vectores característicos v 1 = G) =(_~).En­ e3t te
3
t) = (1O t)
tonces
y v2 e1t = (O e3t
e3t
1 (del Ejemplo 2)

1 o) (etO e4tO )
C=G -~) D
J=
0 4
= (
e
Jt
= y

l)(et O)(-1 -1)

-1 O -2 e4 t
1 = e3t(-11 1)(2- t 1-t)

=-~G -11)(-2e
-2 -1 -1
et
4
t
= e3t ( 1-t -t)
1 (-et -2e t 4
-et +e4t) t 1+ t
= -3 -2et + 2e 4t -2et -e4t
De esta manera la solución al sistema es
Finalmente, la solución al sistema está dado por

x(t)= (x1(t))=eAtxo=-! (-et-2e4t -et+e4t )( 90) x(t) = (Xi (t)) = eAcx

X2(t) o
= e 3 t(l - t
t
-t ) (500)
1 + t 100
= e 31 (500-600t)
100 + 600t
Xz{t) 3 -2et + 2e 4t -2et - e 4t 150
1 (-240et - 30e 4 t) (
80et + 10e
4
t) Es obvio que la especie presa será eliminada despues de~ año = 10 meses, a.un
= -3 -480et + 30e 4 t = 160et -10e 4 t cuando comenzó con una población cinco veces más grande que la especie
depredadora. De hecho es fácil mostrar (Problema 12) que independientemen-
Por ejemplo, después de 6 meses (t = ! año), x 1 (t)=80e 112 +10e 2 = 206 indi- te del tamaño inicial de la especie presa, ésta será eliminada en menos de 1 año.
viduos, mientras que x 2 (t) = 160e 112 -10e 2 =190 individuos. Más significati-
vo aún es 160e 1 - 10e 41 = O cuando 16e 1 = e 41 o 16 = e 3' o 3t = In 16 y
t = (ln 16)/3 = 2.77 /3 = 0.92 años= 11 meses. De esta manera la segunda espe-
Ejemplo 5 Otro modelo depredador-presa. Consideremos el modelo depredador-presa regi-
cie será eliminada después de escasamente 11 meses, aun cuando comenzó con do por el sistema.
una población más grande. En los Problemas 10 y 11 se le pide mostrar que X~ (t)= X1 (t) + X2(t)
ninguna población será eliminada si xi(O) = 2x 1(0) y que la primera población x~(t) = -x 1 (t) + x 2 (t)
será eliminada si x 2 (0) > 2x 1(0). Por lo tanto, como Darwin sabía muy bien,
la supervivencia en este modelo muy simple depende de los tamaños relativos Si las poblaciones iniciales son x 1(O) x i(O) = 1000, determine las poblacio-
de las especies competitivas cuando comienza la competencia. nes de las dos especies para t > O.

Solución A= ( _ ~ ~)con ecuación característica A 2

2.A + 2 =O, raíces comple-
Ejemplo 4 Un modelo depredador-presa. Consideremos el siguiente sistema en el que la es-
pecie 1 es la presa y la especie 2 es el depredador:
x~(t)=2x1(t) Xz{t)
jas A, = 1 + i y '-2 = 1 - i y vectores característicos V 1 = e) y V2 =

x~(t) = x 1 (t)+4x 2 (t) Entonces

Encuentre las poblaciones de dos especies para t> O si las poblaciones iniciales
c-1=--(-i 1 1+ i
son x 1 (O)= 500 y x 2 (0) = 100. C=G 2i -i 2
J=D= ( O

Solución Aquí A=(~ -1)4 y el único valor característico es A.= 3 con el único vector y e11 = (
eO+i)t

o
característico (_ ~ ). Una solución a la ecuación (A - 3l)v2 = v 1 (vea Teore-
*Nótese que .\ 2 .\
1
y v2 = v 1 • Esto no debe sorprender, porque de acuerdo con el resultado

ma 6.6.2) es v2 = (_ ~). Entonces

del Problema 6.1.33, los valores propios de matrices reales aparecen en pares complejos conjuga-
dos y sus vectores propios correspondientes son complejos conjugados.
370 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS
6.7 • Una aplicación importante: Ecuaciones diferenciales matriciales
Ahora, por la fórmula de Euler (Apéndice 2), eil = cos t + i sen t. De esta
manera e< 1 +i)t e 1é 1 = e 1 (cos t + i sen t). Análogamente; e(I-i)t = e 1e-i1 = 11-2 - 2e-t -4 + 4e- )
1

e (cos t
1
i sen t).
En consecuencia
= -4 \-1
+ e-i -2 - 2e-i
cos t + i sen t O ) y así
et=
J
et ( .
O cos t - i sen t
y
1 )(cos t+ i sen t O )(1 x(t) = eAtx(O) = -~
4
(-2 -+
- 1
2e-i
e- 1
-4
-
+ 4e-i)(200)
2 - 2e - 1 500
-i O cos t - i sen t 1
t) = -~ (-2400 + 1600e-t)
=~(1
2 i
1 ) ( cos t + i sen t
- i ,cos t - i sen t
- i cos t + sen
i cos t +sen t
4 -1200 - 800e- 1

= ~ ( 2 cos t 2 sen
2 -2sen t
t)
2 cos t =et -sent
( cos t sen
cos t
t) =
600 - 400e - 1)
( 300 + 2ooe- 1

Finalmente, Note que e -t ~O cuando t oo. Esto significa que conforme pase el tiempo,
-)>

cost sent)(lOOO) (lOOOet(cost+sent)) las dos especies simbióticas se aproximan a las poblaciones de equilibrio de 600
x(t) = eAix(O) =et ( -sent cos t 1000 = lOOOet(cos t-sent) y 300, respectivamente. Ninguna población es eliminada.

La especie presa comienza a extinguirse cuando 1OOOe 1( cos t - sen t) = O o

cuando sen t = cos t. Se tiene que la primera solución positiva de esta última
ecuación es t = 7r/4 = 0.7854 año = 9.4 meses.
Problemas 6.1

Ejemplo 6 Un modelo de cooperación entre especies (Simbiosis). Consideremos el modelo sim- En los Problemas del 1 al 9 encuentre la matriz solución principal eAt del sis-
biótico gobernado por el sistema tema Ax(t).
X~(t) = -~X¡(t) + (-2 -~)
x~(t) = ±x (t) -
1
X2(t)
!x 2 (t) \-5
2. A=(-23 -!) 3. A=G -1)
-2

Note que en este modelo la población de cada especie incrementa propor- 4. A=G -5) S. A= (-10 -:) 6. A=(-~ ~)
cionalmente a la población de la otra y decrece proporcionalmente con respec- -1 7
to a su propia población. Suponga que x 1(0) = 200 y x 2(0) 500. Determine

8.A+~ -~) 9. A=( ~ -~)

1 6
la población de cada especie para t > O. (-12 7) 2 3
7. A= -7 2
-! 1) ' . \ o y \/\ 1Ysus corres- 1 -1 -1 -5
Solución Aquí A =
( ± -! con valores caractenstlcos /\¡ 2 -

pondientes vectores característicos v 1 = (~) y V2 = (_ ~). Entonces

10. En el Ejemplo 3 muestre que si el vector inicial x (O)
2
:), donde a es una cons-
= (

tante, entonces ambas poblaciones crecen a una tasa proporcional a e 1 •

C=G -~), 1 -2)2'

c- =-i (-1
-1 J=D= (~ -~), 11. En el Ejemplo 3, muestre que-si x 2 (O) > 2x 1 (O), entonces la primera población se-
rá eliminada.
12. En el Ejemplo 4, muestre que la primera población se extinguirá en a años, donde
y eJr
= ("~' e~') (~ e~')· De esta manera
=
a= x 1(0)/[x 1(0) + X2(Ü)].
* 13. En una planta desalinizadora de agua hay dos tanques de agua. Suponga que el
eAt = -~ (2
4 1 ~)G e~•)( -D tanque 1 contiene 1000 litros de salmuera en el cual están disueltos 1000 kg de sal,
y el tanque 2 contiene 1000 litros de agua pura. Suponga que el agua fluye hacia
el tanque 1 a una razón de 20 litros por minuto y la mezcla fluye del tanque 1 al
1(2 -12)( -e-
4 1
-2)
-1 2e-t 1
tanque 2 a una razón de 30 litros por minuto. Se bombean 10 litros del tanque 2
al tanque 1 (estableciendo retroalimentación), mientras que se extraen 20 litros del
tanque. Encuentre la cantidad de sal en ambos tanques en cualquier instante t. [Su-
31R CAPÍTULO 6 • VAL<?RES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS 6.8 • Una perspectiva diferente: Los teoremas de Cayley-Hamilton y Gershgorin 313

~ =~~ =~).
gerencia: Escriba la información como un sistema de 2 x 2 y denotemos con x 1(t)
y xz(t) las cantidades de sal en cada tanque.] 24. Calcule eA', donde A = (-

14. Una comunidad den individuos es expuesta a una enfermedad infecciosa.* En un -1 25 8

momento t dado, la comunidad es dividida en tres grupos: el grupo 1 con una po-
blación x 1 (t) es el grupo susceptible; el grupo 2 con una población x 2 (t) es el gru-
po de individuos infectados en circulación; y el grupo 3 de población x 3 ( t ), está 25. Calcule e
1
', donde J = (~ ~ ~ ~)·
O O A 1
formado por los que han sido aislados, que se han muerto o que han sido inmuni-
O O O A

(H H).
zados. Es raz9nable suponer que inicialmente x 2 (t) y x 3 (t) serán pequeñas com-
paradas con x 1 (t). Sean O'. y (3 constantes positivas que denotan la proporción en
que se infectan los susceptibles y los infectados pasan a formar parte del grupo 3, 26. Calcule eA', donde A =

n-¡ -l !}
respectivamente. Entonces un modelo razonable para la propagación de la enfer-
medad está dada por el sistema o o o 3
x~(t) = -cu1(0)x2
x~(t) = ax1 (O)xz - f3x2
27. Calcule e A', donde A =
X~(t) = {3X2

a. Escriba este sistema en la forma x' = Ax y encuentre la solución en términos

de x 1 (O), x 2 (O) y x3 (O). Note que x 1 (O) + x 2 (O) + x 3 (O) n.
b. Muestre que si ax(O) < {3, entonces la enfermedad no producirá una epidemia.
c. ¿Qué sucederá si ax(O)> {3? 6.8 Una perspectiva diferente: Los
15. Considere la ecuación diferencial de segundo orden xn(t) + ax' (t) + bx(t) O.
a. Haciendo x 1 (t) = x(t) y x2 (t) = x' (t), escriba la ecuación anterior como un teoremas de Cayley-Hamilton y
sistema de primer orden en la forma de la Ecuación (7), donde A es una matriz
de 2 X 2.
Gershgorin
b. Muestre que la ecuación característica de A es l\ 2 +al\+ b =O. Existen muchos resultados interesantes relativos a los valores característicos de
En los Problemas del 16 al 19 use el resultado del Problema 15 para resolver una matriz. En esta sección vamos a discutir dos de los más útiles. El primero
la ecuación dada dice que cualquier matriz satisface su propia ecuación característica. El segun-
do muestra cómo localizar los valores característicos de cualquier matriz prác-
16. x" + 5x' + 6x =O; x(O) = 1, x'(O) = O ticamente sin hacer cálculos.
17. x" + 6x' + 9x = O; x(O) = 1, x'(O) = 2 Sea p(x) = xn + an_ 1 xn-l + · · · + a 1 x + a 0 un polinomio y sea A una matriz
18. x" + 4x = O; x(O) = O, x'(O) = 1
de n x n. Entonces las potencias de A están definidas y con ellas definimos
19. x" -3x' -10x =O; x(O) = 3, x'(O) = 2
p(A) =A n + an_ 1 A n-l + · · · + a 1 A + a 0 I
(~ ~ N~ =O, es la matriz cero.
(1)
20. Sea N 3 = 0.
o o ~)
Muestre que

1 t t 2 12 -1
21. Muestre que eN ,, = (~ ~ ~ ) . [Sugerencia: Escriba la serie para e Ni y use el
Ejemplo 1 Sea A= ( ~)y p(x)=x 2 -5x+3. Entonces
3

resultado del Problema 20.]

2
P(A)=A 2 -5A+3I= ( lS
13 24) I 5
61 +(_15 -35
-20)+ (3o
A 1 O 1 t t /2
22. Sea J = (~ ~ ~}Muestre que e"= e'{~ ~ ~ } 1 [Sugerencia: Jt = hit+

N 3t. Use el hecho de que eA+B = eAeB.] La expresión ( 1) es un polinomio con coeficientes escalares definidos por

A=(=~ -~)·
una matriz variable. También podemos definir un polinomio con coeficientes
23. Usando el resultado del Problema 22, calcule eA\ donde matriciales cuadrados como
[Sugerencia: Vea el Problema 6.6.20.] -1 1 -2 (2)

Si A es una matriz, entonces definimos

* Una discusión de este modelo aparece en "The Total Size of a General Stochastic Epidemic",
de N. Bailey, Biometrika 40(1953): 177-185. Q(A)=Bo+B1A+B2A 2+ ... +BmAm (3)
374 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS y FORMAS CANÓNICAS 6.8 · • Una perspectiva diferente: Los teoremas de Cayley-Hamilton y Gershgorin 375
Debemos tener cuidado en (3), puesto que las matrices no son conmutativas Esto significa que podemos considerar adj (A - 'Al) como un polinomio Q('A),
para la multiplicación. en 'A, con coeficientes matriciales de n x n. Para ver esto, observe lo siguiente:
2 2
Teorema 1 Si P('A) y Q('A) son polinomios en la variable escalar 'A, con coeficientes matri- -A -2A.+1 2A. -7A-4)=(-1 2)A.z+(-2 -7)A+( 1 -4)
( 4A 2 +5A.-2 -3A. 2 - A.+3 4 -3 5 -1 -2 3
ciales cuadrados y siP(A.) = Q(A.)(A-AI), entonces P(A) = O.
Ahora, del Teorema 2.4.2,
Demostración Si Q('A) está dado por la Ecuación (2), entonces
det (A --A.I)I = [adj (A -AI)][A -Al]= Q(A.)(A -Al) (5)
P'(A.) = (Bo+ B1A + B2A 2 + ... + BnA n)(A-AI)
Pero det (A-H)I = p(A)I. Si
=BoA+B1AA+B2AA. 2 + ... +BnAA.n
-BoA.-B1A.2-B2A.3- ... -BnA.n+l (4) p (A) = An + lln- i A. n- i + · · · + a 1 A + a 0 ,

Entonces, sustituyendo 'A por A en (4), obtenemos entonces definimos

P(A)=BoA+B1A 2 +B2A 3 + ... +BnAn+l P(A.) = p(A.)I =A n¡ + an_ 1 A. n-i I + · · · + a 1 A.I + aol.
-BoA-B1A 2 B2A 3 - ••. -BnAn+l=O 1111 De esta manera, de (5), tenemos P('A) = Q('A)(A - H). Finalmente, del Teorema
1, P(A) =O. Esto completa la demostración. 1111
Nota. No podemos demostrar este teorema sustituyendo 'A = A para obtener
P (A) = Q (A )(A - A) = O porque es posible encontrar polinomios P ('A) y
Q('A) con coeficientes matriciales tales que F ('A) = P ('A)Q ('A) pero F (A) -::/=
P(A)Q(A). (Vea el Problema 17.)
Ejemplo :2 Sea A = (~ - ~. - ~) . En el Ejemplo 6.1.4 calculamos la ecuación caracte-
Con esto ya podemos demostrar nuestro primer teorema importante. 2 1 -1
+ 6 = O. Ahora calculamos

e
rística 'A 3 2'A2 - 5'A
Teorema 2 El Teorema de Cayley~Hamilton. * Cada matriz cuadrada satisface su propia ecua- -3
A2~G 22)
1
ción característica. Esto es, sip('A) = O es la ecuación característica de A, en-
tonces p(A) = O
-1
o
8
1)
11 , A 3 = 29
16
4
3
17
5
Demostración Tenemos y

p(A.) = det (A -Al)=

A 3 -2A 2 -5A+6I= 29
16 e -3
4
3
22) (-12 -2o -22
17 + -14
5 -6
-2)
2 -16

Claramente, cualquier cofactor de (A -AJ) es un polinomio en 'A. Por lo tanto

la adjunta de A 'Al (vea Definición 2.4.1) es una matriz de n x n, en la que
cada una de sus componentes es un polinomio en 'A. Esto es:

P11(A) piz(A.) P1n (A.)

P21 (A) P22(A.) P2n (A.)

adj (A -Al)=
En algunos casos el teorema de Cayley-Hamilton sirve para calcular la in-
versa de una matriz. Si A - 1 existe y p(A) = O, se tiene que A- 1p(A) = O.
p(A.) =A n + an_ 1 A. n-l + · · · + a 1 A. + a 0 , entonces
* Llamado así en honor a Sir William Rowan Hamilton (de quien se habló en el Capítulo 1) y a p(A)=An+an __ 1 An-l+ · · · +a 1 A+aol=O
y
Arthur Cayley (1821-1895). Cayley publicó la primera discusión de este famoso teorema en 1858.
Hamilton descubrió el resultado independientemente en su trabajo sobre los cuaterniones.
376 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS 6.8 • Una perspectiva diferente: Los teoremas de Cayley-Hamilton y Gershgorin 377
En consecuencia

A -1
= -1 (-A n-1 - an-1 A n-2 - · .. - a 2 A - a 1 I) = L laiil (8)
ao j=l
j#i

Note que a 0 * 0 porque a = det A

0 (¿Por qué?) y supusimos que A era inver-
tible. Esto es, r¡ es la suma de los valores absolutos de los números en el i-ésimo
de A que no están en la diagonal principal de A. Sea

Ejemplo 3 Sea A -~)·Entonces p(/..) }..3 - 21'2 - 51' + 6. Aquí n 3,

[ (9)
-1
a2 = -2, a 1 = -5, a 0 =6, y

Aquí D¡ es un disco en el plano complejo, con centro en a¡¡, y radio r¡ (Figura

6.4). El disco D¡ consiste en todos los puntos en el plano complejo dentro Y
sobre la circunferencia C¡ = {z EC: lz - a¡¡I = r¡}. Las circunferencias C¡,
i = l, 2, ... , n, se denominan círculos de Gershgorin.

y= Im z

!(-~
-3

6 1
9
3
-1~)
-5 z¡¡I ~ r¡

Figura 6.4 - - + - - - - x = Re z
Note que calculamos A - 1 con una sola división y calculando únicamente un o
determinante (para encontrar p(/..) = det(A /../)).Este método es a veces
muy eficiente en una computadora.
Teorema 3 Teorema del círculo de Gershgorin. * Sea A una matriz de n x n y sea D¡ defi-
nida por la Ecuación (9). Entonces, cada valor característico de A está conteni-
do al menos en uno de los D¡. Esto es, si los valores característicos de A son A 1
,

Ahora veamos el segundo resultado importante de esta sección. Sea A una 1' 2, ... , /..k, entonces:
matriz den x n. Escribimos, como siempre

A=

Demostración
Definimos el número

\x.\}. Entonces (1/m)v ~

n

r1 = la12I + la13I + · · · + la1n =

1 L la1i
j=2
1 (7) m máx {\x 1 \, \x 2 \, ... , ::: es un vector caracterís-

Análogamente definimos
* El matemático ruso S. Gershgorin publicó este resultado en 1931.
 6.8 • Una perspectiva diferente: Los teoremas de Cayley-Hamilton y Gershgorin 379
378 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS
localizados dentro de las tres circunferencias. Nótese que los círculos de
tico de A correspondiente a 1' y máx {iy 1 1, jy 2 ¡, ... , IYnl} = 1. Sea Y;la compo- Gershgorin pueden intersecarse.
nente de y con IY; 1 = l. Ahora Ay = AY. El i-ésimo componente del n-\'ector
Ay es a¡¡y 1 + a; 2Y 2 + · · · + a inYn- La i-ésima componente de AY es ·AY;· De esta
manera
Ejemplo 5 Encuentre las cotas para los valores característicos de la matriz

3 o -1 1
4

lo cual escribimos como

o 5 2
1
o 1
n
A= o 6 1
;¡
1

L aiiYi = Áy¡
j=l
(11)
o -1 1
-3
2
1
;¡
2
1 1 1 1
Si restamos a¡¡y¡ de ambos lados, la Ecuación (11) puede escribirse como 6 -6 3 3 4
n
L aiiYi = Áy¡ -a¡¡y¡ = (,.\ - a¡Jy¡ (12) Solución Aquía 11 =3, a 22 =5, a 33 =6, a 44 = a 55 =4, r 1 =~, r2 =~, r3 =l, r4 =~,
j=l
i*i y r5 = l. Los círculos de Gershgorin están ilustrados en la Figura 6.6. Es claro
a partir del Teorema 3 y de la Figura 6.6 que si Aes un valor característico de A,
Después tomamos el valor absoluto de ambos lados de (12) y usando la desi- entonces !A 1:::; 7 y Re A 2 -1/. Note la capacidad del teorema de Gershgorin pa-
gualdad del triángulo (!a + b 1:::; 1a1 + 1b \), obtenemos ra encontrar la ubicación aproximada de los valores característicos con muy
n n
poco esfuerzo.
l(aii -,.\)y¡I = - L aiiYi
j=l
:::; L laiil IYil
j=l
(13)
(x + 3) 2 + y2 =
y= Im z

i*i i*i (x _ 3)2 + y2 = (D2 (x - 5) 2 + y2 =

Dividimos ambos lados de (13) por IYd (el cual es igual a 1) para obtener
/

n IY·I n
1a¡¡ - A1:::; i~ 1a¡i I ¡Y~ I :::; i~ 1a¡i1 = r¡
1
i*i
1
i*i
(14) Figura 6.6 _ L . , L __

5 -4
_.___ _.___

-3
__.__

-2
__.__--t_ _..______.___ _ ___,__ _ _----.___,---:_
-1 o 2 4 7
__,.... x = Re

El paso anterior se debió al hecho de que 1Yi1:::; 1y¡1 (por la forma en que esco- \ (x - 6) 2 + y2 =
gimos y¡). Pero esto demuestra el teorema puesto que (14) muestra que ,.\E D¡.
4 )2 + y2
• (x - = 1

Ejemplo 4 Sea A=(~ - ~ - ~)· Entonces a 11 =1, a 22 = 2, a33 -1, r1=l-11+141=5, Problemas 6.8
2 1 -1
r 2 =13l+l-ll=4, y r 3 =l2l+lll=3.De esta manera los valores característicos En los Problemas del 1 al 9: (a) Encuentre la ecuación característica p(A)
de A se hallan localizados dentro de los límites de las tres circunferencias ilus- O de la matriz dada; (b) verifique que p(A) = O; (e) use la parte (b) para calcu-
tradas en la Figura 6.5. Podemos verificar esto ya que sabemos por el Ejem- lar A- 1•
plo 6.1.4 que los valores característicos de A son 1, -2 y 3, los cuales están -1
y= Im 1. (-2
-5
-2)
1
2.
G -1)
-2
3.
(-~ 2
-1 -D
Figura 6.5 _ __._____,--+-__.__ _.__.___ _..,..._ x = Re z
4.
uD 2
2
2
5. e º)
o
1 -3
o1

o
1
3
6.
n -7
4
2
o
-D
1

;)
b

(~
-4 -:2 o 2 4

7. (~
-1

5
:) 8.
(-l
-1
o
o
o 9.
a
o a
e
¡}bc#O
(x + + y2 =
+ y2 = 16
1 -1 O. o o
380 CAPÍTULO 6 • VALORES CARACTERÍSTICOS, VECTORES CARACTERÍSTICOS Y FORMAS CANÓNICAS Ejercicios de Repaso • Capítulo 6 381

En los Problemas del 1O al 14 dibuje los círculos de Gershgorin para la matriz En los Ejercicios del 7 al 15 determine si la matriz A dada es diagonalizable.
dada A y encuentre una cota para 1'A1 si 'A es un valor característico de A. Si lo es, encuentre una matriz C tal que c- 1AC = D. Si A es simétrica, en-
cuentre una matriz ortogonal Q tal que Q 1AQ = D.

10.
(
2
1
1
1
5
o
º)1
6
11. (j ~¡ l) (l -1 -¡ -¡)
6 12. 7.
(-18
20
-15)
17
8.
(

-1~
17
_!) 9. (-:
-1
1
-1
o -~)
-7 5 o o
10.
Go -~)
2
4 11.
eD u-7
-5
2
4
3
12.
o
-2
o -2
1~)

-~
-~ ~

(j
1
-10 4 10 2 -2 4 -4
14.
13.
(
-1
o o
o -1
-3
o
o o
2
13. Go -~)
2
2 14.
(¡ 3
o
1
1
2
-3
-¡) 15.
-1

-4
o -1
o

4
!)
o o

15. SeaA =
5
2
~_! 3

~
3
-l i} Demuestre que los valores característicos de A son nú-
En los Ejercicios del 16 al 20 identifique la sección cónica y escrlbala en las
nuevas variables sin el término xy.
16. xy = -4 17. 4x 2 +2xy +2y 2 = 8
2 2
2
18. 4x -3xy + y
2
= 1
meros reales positivos. 19. 3y 2 -2xy-5=0 20. x -4xy+4y +l=O
r
(-~ -~ ~ ~)·
2
21. Escriba la forma cuadrática 2x 2 +4xy +2y 2 -3z en las nuevas variablesx', y' Yz'
16. Sea A = de modo que no aparezcan términos cruzados.
Demuestre que los valores característicos de A son
1 2 -5
1 1 1 -4 En los Ejercicios del 22 al 24 encuentre una matriz C tal que c- AC 1
J, la
negativos y reales.
forma canónica de Jordan de la matriz.
17. Sea P ('A) = B 0 + B 1'A y Q (A)
o -18
-9 114) (-4 4)
den x n.
a. Calcule F (A) = P ('A)Q (A).
b. Sea A una matriz de n x n. Muestre que F (A) = P (A )Q (A) si y sólo si A
22
· (-25 23. -1 o 24.
(
1
-1
-12
25
conmuta con C 0 y C 1 •
18. Sea la matriz A den X n con valores característicos \ 1, A2 , ..• , An y sea r(A) = En los Ejercicios del 25 al 27 calcule
A¡ 1. Si 1A 1 es el máximo de las sumas de las normas de los elementos de los
renglones de A definido en la Sección 6. 7, muestre que r( A) s 1A 1. 25.
A= (-3 4)
-2 3 26. A= e~ ~) 27. A=
2
19. Se dice que la matriz A de n x n es estrictamente dominante en la diagonal si 3
1a¡¡1 > r¡ para i = 1, 2, ... , n, donde r¡ está definida por la Ecuación (8). Mues-
tre que si A es estrictamente dominante en la diagonal, entonces det A =I= O. 28. Usando el teorema Cayley-Hamilton, calcule la inversa de A
-1
29. Use el teorema del círculo de Gershgorin para encontrar una cota para los valores
característicos de
1

A~(¡
2
En los Ejercicios del 1 al 6 calcule los valores ,,,,,,,n,.,,1°,~;,.. 1• 1 ,-.,•c
r(sticos de la matriz dada.
o
caracte- 4
o
3
2
1

º)
-3
1

--1

1. (-8
-6
12)
10
2.
(~ 3. 7
-2
1
1 -3

-1
-2 o
4. (
-2
~ 2
J (l s.
-1
o
o
o
3
2
-!) 6. o
o
-2
o J
CAPÍTULO 7
Métodos
,
numer1cos
.

7. 1 El error en los cálculos numéricos

En todos los capítulos de este libro hemos realizado cálculos numéricos. Entre
otras cosas, hemos resuelto ecuaciones lineales, multiplicado e invertido matri-
ces, hemos encontrado bases y calculado valores característicos y vectores
característicos. Salvo algunas excepciones, los ejemplos se han referido a
matrices de 2 x 2 y 3 x 3; no porque las aplicaciones prácticas tengan solamente
2 ó 3 variables sino porque de otra manera los cálculos habrían sido muy te-
diosos.
La situación ha cambiado con el uso difundido y reciente de las calculadoras
y las computadoras. Los asombrosos avances de los últimos años en la teoría
de métodos numéricos para resolver ciertos problemas, han posibilitado reali-
zar con rapidez y exactitud los cálculos mencionados en el párrafo anterior,
con matrices de orden mucho mayor.
Sin embargo, el uso de computadoras presenta nuevas dificultades. Las
computadoras no almacenan números como ~. n, .:/2, y 7r. En cambio, todas
las computadoras usan lo que se llama aritmética en punto flotante. En este
sistema, todo número se representa en la forma

(1)

donde d 1, d 2 , ••• , dk son dígitos individuales enteros positivos y n es entero.

Cualquier número escrito en esta forma se denomina número en punto flotan-
te. En la Ecuación (1) al número ±.d1d2 • • • dk se le llama mantisa y al núme-
ro n se le denomina exponente. El número k se denomina número de dígitos
significativos de la expresión.
Diferentes computadoras tienen diferentes capacidades en el intervalo de los
números que se pueden expresar en la forma de la Ecuación (1). Los dígitos
suelen representarse más en forma binaria que en forma decimal. Una compu-
tadora de uso común, por ejemplo, utiliza 28 dígitos binarios. Como 228 =
383
384 CAPÍTULO 7 • MÉTODOS NUMÉRICOS
268 435 456, podemos usar los 28 dígitos binarios para representar cualquier
número de ocho dígitos, por lo tanto k = 8. ,
Ejemplo 1 Los números siguientes están expresados en la forma de punto flotante:
i. :!=0.25
ii. 2378 = 0:2378 X 104
fü. -0.000816=-0.816X10- 3
iv. 83.27=0.8327X10 2
Si el número de dígitos significativos fuera ilimitado, no tendríamos proble-
mas. Pero casi siempre que se introducen números en la computadora, los
errores se empiezan a acumular. Esto puede suceder de dos maneras:
i. Truncamiento: Todos los dígitos significativos después del k-ésimo simplemen-
te son ''cortados''. Por ejemplo, si se usa truncamiento, ~ = 0.666666 ...
se almacena (con k = 8) como ~ = 0.66666666 x 10º.
ii. Redondeo: Si d k + 1 ~ 5, entonces se suma 1 a d k y el número resultante se
trunca. De no ser así, simplemente se trunca el número. Por ejemplo, con
+
redondeo (y k = 8), se almacena como ~ = 0.66666667 x 10º.
Ejemplo 2 Podemos ilustrar cómo se almacenan algunos números con truncamiento y re-
dondeo utilizando ocho dígitos significativos:
Número Número truncado Número redondeado
0.26666666X10 1
0.31415926 X 10 1
0.26666667X10 1
0.31415927X10 1
-0.17543859 X 10-- 1
-0.17543860 X 10- 1
Los errores de redondeo o truncamiento aislados no parecen ser muy signifi-
cativos. Sin embargo, cuando hay miles de pasos de cómputo, el error acumu-
lado puede ser devastador. Entonces, al plantear cualquier esquema numérico,
es necesario saber no solamente si se obtendrá la respuesta correcta, teórica-
mente, sino también cuántos errores de redondeo se acumularán. Para mante-
ner el control, definimos dos tipos de error. Si x es el valor real de un número y
x* es el número que aparece en la computadora, entonces el error absoluto e
está definido como ª Hill, 1972.
7,1 • El error en los cálculos numéricos 385
En la mayoría de los casos es más interesante el error relativo e,, que se define
como
(3)
Ejemplo 3 Sea x=2 y x*=2.1. Entonces ea=0.1 y er 0.112=0.05. Si X¡ =2 000 y X1*=
2 000.1, entonces nuevamente eª= O. l. Pero ahora er = 0.1/2 000 = 0.00005. La
mayoría de las personas estarán de acuerdo en que el error de 0.1 del primer
caso es más significativo que el error de 0.1 del segundo.
Gran parte del análisis numérico se refiere a cuestiones de convergencia y es-
tabilidad. Si x es la solución de un problema y nuestro método de cómputo nos
da valores aproximados xn, entonces el método converge si, teóricamente, xn se
aproxima ax cuando n crece. Si se puede demostrar, además, que los errores
de redondeo no se acumulan de modo que hagan la respuesta incierta, enton-
ces el método es estable.
Es fácil dar un ejemplo de un procedimiento en el que el error de redondeo
sea muy grande. Supongamos que deseamos calcular y= 1/(x-0.66666665).
Para x=f, si la computadora trunca, entonces x=0.66666666 yy =
1/0.00000001 = 108 = 10 x 107 • Si la computadora redondea, entonces x =
0.66666667 y y = 1/0.00000002 = 5 x 107 • La diferencia es enorme. La res-
puesta correcta es 1/(f- 1 ~:;~0 ) = 60 000 000 = 6 x 10 7•
6 6
En este capítulo examinaremos varios esquemas para resolver sistemas de
ecuaciones y calcular valores característicos y vectores característicos. Cuando
sea posible, también trataremos convergencia y estabilidad. Esto no es más
que una vista superficial de métodos numéricos; sin embargo, existen libros y
cursos dedicados enteramente a este tema. Para un tratamiento más completo,
debería consultar las siguientes obras:
REFERENCIAS SOBRE ÁLGEBRA LINEAL NUMÉRICA
1. Blum, E. K. Numerical Analysis and Computation: Theory and Practice.
Reading, Mass.: Addison-Wesley, 1972.
2. Burden, R. L., J. D. Paires, y A.C. Reynolds. Numerical Analysis. Boston:
Prindle, Weber and Schmidt, 1978.
3. Conte, S. D. Elementary Numerical Analysis, 2a Ed. Nueva York: McGraw-
386 CAPÍTULO 7 • MÉTODOS NUMÉRICOS 7.2 • Resolución de sistemas lineales I: Eliminación gaussiana con apoyo 381
4. Faddeev, D. K. y V. N. Faddeeva. Computational Methods of Linear renglón inferior aparece más a la derecha del primer 1 del renglón supe-
Algebra. San Francisco: Freeman, 1963. rior.
5. Fox, L. An Introduction to Numerical Linear Algebra. New. York: Oxford
U niversity Press, 1965. Nota. Si A es una matriz triangular superior de n x n con números 1 en la
diagonal principal, entonces es fácil verificar que A está en forma escalonada.
A pesar de que no se incluyen programas de computadora en este capítulo, Del Capítulo 1, es evidente que cualquier matriz se puede reducir a la forma
se dispone de un suplemento especial de este libro (en inglés), que trata de pro- escalonada mediante eliminación gaussiana. Sin embargo, hay un problema de
gramación en BASIC e incluye varios programas que debería ensayar el lector. cómputo con este método. Si dividimos entre un número pequeño que ha sido
redondeado, el resultado puede contener un error de redondeo significativo.
Por ejemplo, 1/0.00074 = 1351 mientras que 1/0.0007 = 1429. Para evitar este
Problemas 7.1 problema, utilizamos un método llamado eliminación gaussiana con apoyo (o
pivoteo) parcial. La idea es dividir siempre entre la componente mayor de una
En los Problemas del 1 al l 3 convierta el número a un número en punto flotan- columna, evitando así, en lo posible el tipo de error ilustrado anteriormente.
te con ocho decimales de exactitud. Trunque (T) o redondee (R) de acuerdo Describiremos el método con un ejemplo simple.
a lo que se pida.
1. ~ (T) 2. k 3. -0.000035 4. ~ (R)
5. ~ (T) 6. f(T) 7. H(R) 8. -18~ (T) Ejemplo 1 Resuelva el siguiente sistema mediante eliminación gaussiana con apoyo parcial:
9. -18~ (R) 10. 237,059,628 (T) 11. 237,059,628 (R)
12. -23.7 X 1015 13. 8374.2X10- 24 X1 - X2 + X3 = 1
-3x 1 +2x 2 3x 3 = -6
En los Problemas del 14 al 21 se da el número x y una aproximación x*. En- 2x 1 -5x 2 +4x 3 = 5
cuentre los errores absoluto y relativo Ea y Er-
14. X 5; x* = 0.49 X 10 1 15. X= 500; x* = 0.4999X10 3 Solución Paso 1. Escriba el sistema en forma de matriz aumentada. De la primera co-
16. x=3720; x*=0.3704Xl0 4 17. x=t x*=0.12x10° lumna con componentes diferentes de cero (llamada columna de apoyo) selec-
18. X= 8 60 ; x* = 0.12 X 10- 2 19. x = -5~; x* = -0.583X10 1 cione la componente con el mayor valor absoluto. A este elemento se le llama
20. X= 0.70465; x* = 0.70466 X 10° apoyo (o pivote):
21. X= 70465; x* = 0.70466 X 10 5

apoyo

7.2 Resolución de sistemas lineales 1:

Paso !1. Ordene los renglones para desplazar el apoyo hasta arriba:
Eliminación gaussiana con apoyo
2 -3 (se intercambiaron los
No es difícil programar una computadora para la resolución de un sistema de renglones primero y se-
-1 1
ecuaciones lineales por el método de eliminación gaussiana o de Gauss-J ordan gundo)
que se ha usado en este texto. Sin embargo, existe una variante del método, -5 4
que fue diseñada para reducir el error de redondeo acumulado al resolver un Paso 3. Divida el primer renglón entre el apoyo:
sistema n x n de ecuaciones. Antes de describir este método recordemos la de-
finición de la forma escalonada de una matriz (Definición 1.6.2).
Definición 1 Forma de escalonamiento de renglones. Sea A una matriz de m x n. Entonces A -1
1 2)
1 1
primer renglón
se divide entre
está en forma escalonada por renglones si -5 4 5

Paso 4. Sume múltiplos del primer renglón a los otros renglones para hacer
i. Todos los renglones que tienen sólo ceros aparecen en la parte inferior de que todos los otros elementos de la columna pivote sean iguales a cero:
la matriz.
ii. El primer número (a partir de la izquierda) de cualquier renglón que no
tiene sólo ceros es un 1. 1o 2) -1
(el primer renglón se multiplica por
- 1 y - 2 y se suma a los renglones
iii. Si dos renglones sucesivos no tienen solamente ceros, el primer 1 del segundo y tercero)
2 1
388 CAPÍTULO 7 • MÉTODOS NUMÉRICOS
7.2 • Resolución de sistemas lineales 1: Eliminación gaussiana con apoyo 389

Paso 5. Cancele el primer renglón y realice los pasos del 1 al 4 en la submatriz plica una nueva designación de variables cuando se intercambian las columnas
resultante: . · para traer el pivote a la primera columna. Por esta razón el método de pivoteo
o apoyo parcial descrito anteriormente es más utilizado.

~d
Examinaremos ahora el método aplicado a un sistema más difícil desde el

nuevo pivote
@
-j- o
2 -n punto de vista de cómputo. Los cálculos se hicieron con una calculadora ma-
nual y se redondearon a seis dígitos significativos.

(~
Ejemplo i Resuelva el sistema
2
o
_J (se intercambian los ren-
glones primero y segun-
do de la submatriz)
2X1 -3.5X2 + X3 = 22.35
-5x 1+ 3x 2 + 3.3x 3 = -9.08
l2X1+7 .8X2 + 4.6X3 = 21.38

(~ -3
1
6
-rr
o
(el nuevo primer renglón
se divide entre el apoyo)
Solución Al usar los pasos descritos anteriormente, obtenemos sucesivamente

2 -3.5 l 22.35) p 1 ,3 (® 7 .8 4.6 21.38)

-5 3 3.3 -9.08 ~ -5 3 3.3 -9.08
(
@
(~ 1
o
6
-rr
2
-rr
-i',)
12
-rr
(el nuevo primer renglón se
+
multiplica por y se suma al
nuevo segundo renglón)
pivote__/
7.8 4.6 21.38 2 -3.5 l 22.35

l 0.65 l ( 0.383333 l.78167)

Paso 6. Continúe de esta manera hasta que la matriz esté en forma escalonada: ~ -5 3 3.3 -9.08
2 -3.5 1 22.35

nuevo pivote---------
eo
1
º~. Q
C.:Y
~,~ _] 11
0.65
.@)
-4.8
0.383333
5.21667
1.78167)
-0.17165
0.233334 18.7867
nuevo pivote /

Paso 1.
1
o J (el nuevo primer
renglón se divide
entre el apoyo)
Haga una sustitución de regreso para encontrar la solución (si es que
~ o

A • ( 4 .S)
(

(1
1

0
0.65
1
-4.8

0.65
0.383333
o.834667
0.233334

0.383333
l.78167 )
-0.027464
18.7867

l.78167 )
~ay alguna) d~l sistema. Evidentemente, tenemos que x 3 = 6. Entonces x 2
2 3

- ---'}> o 1 0.834667 -0.027464

=
TIX3 o bien
. _3-JL--~ 18.6549
= --fi+frx3 = -fi+fr(6) = 3
X2 nuevo pivote - -
Finalmente , X1 -h 2 + x3 = 2 o bien 1 0.65 0.383333 l.78167 )
X¡= 2+h2-X3 = 2+~(3)-6 = -2 M
3
(;¡-:riml 0 1 0.834667 -0.027464
(
o o 1 4.40001
La solución única está dada por el vector ( -2,3,6).
La matriz está ahora en forma escalonada por renglones. Al sustituir de regre-
so obtenemos
X3 = 4.40001
Este ejemplo ilustra el hecho de que es tedioso e ineficiente usar
Observación.
A con n:ayor valor absoluto, y no simplemente el elemento en la primera co- X2 = -0.027464-0.834667 X 3 = -0.027464-(0.834667)(4.40001)
lumna diferente de cero. El problema con este método es que comúnmente im- = -3.70001
390 CAPÍTULO 7 • MÉTODOS NUMÉRICOS
7.2 • Resolución de sistemas lineales 1: Eliminación gaussiana con apoyo 391

X1 = 1.78167 -(0.65)(Xz)-(0.383333)x 3 = 1.78167 -(0.65)(-3.70001)

-(0.383333)(4.40001) = 2.50001

La solución correcta es x 1 = 2.5, x 2 = 3.7 y x 3 = 4.4. Nuestras.respuestas son, Repitamos ahora el procedimiento con pivoteo. Obtenemos (los pivotes apare-
sin duda, muy exactas. cen dentro de un círculo)

( ~.0002 -0.00031 0.0017

~.00609)
-7 6
Observación. Este ejemplo ilustra el hecho de que es tedioso e ineficiente usar @ 6 3
este método sin una calculadora, especialmente si se requieren varios dígitos
(®
~-ººJ
significativos de exactitud. 6 3
P,,
~ 5 -7 6
El siguiente ejemplo muestra cómo el pivoteo puede mejorar significativa-
mente las respuestas. Aquí redondeamos a sólo tres dígitos significativos, por 0.0002 -0.00031 0.0017
lo que se introducen mayores errores de redondeo.
~(!
0.75 0.375 0.25 )
-7
~.00609
6

Ejemplo 3 Considere el sistema

0.0002x 1 -0.00031x 2 +0.0017x 3 = 0.00609
0.0002 -0.00031 0.0017
A,,Hl
A,,(· 0.0002)
e~
@
0.75 0.375
4.13
0.25
5.75
)

-0.00046 0.00163 0.00604

~!
M2(Ti1Jl) (1 0.75 0.375 0.25 )
~o 1 -0.382 -0.532
La solución exacta es x 1 = -2, x 2 = 1, x 3 = 4. Resolvamos el sistema primera- o -0.00046 0.00163 0.00604
mente mediante eliminación gaussiana sin apoyo o pivoteo, redondeando a tres
dígitos significativos. 1 75 0.375 0.25 )
A 2 3 (0.00046)(
, o 0.1 -0.382 -0.532
0.0002
5
-0.00031
-7
0.0017
6
0.00609)
7 ~
1 ( 1
5
-1.55
-7
8.5
6
2730.5) o o ~ 0.0058
(
8 6 3 2 8 6' 3 0.75 0.375
Al,2(-S) .(1 -1.55 8.5 1 -0.382
A13(-8) 30.5) M ( ¡ (1 -1.55 8.5 30.5) o 1
~: o 0.75 -36.5 -146 ~
i

o 1 -48.7 -195 Por consiguiente,

o 18.4 -65 -242 o 18.4 -65 -242 X3 = 4.00
Az.3(-18 ..4)
~o
(1 -1.55
1
8.5
-48.7
30.5)
-195 ~
(1 -1.55
1
8.5 30.5 )
-48.7 -195
X2

X1
-0.532 + (0.382)(4.00) = 0.996
= 0.25-0.75(0.996)-(0.375)(4.00) = -2.00
o o 00
831 3350 o 1 4.03 Con pivoteo y tres dígitos significativos de redondeo, x 1 y x 3 se obtienen exac-
Esto produce tamente y x 2 se obtiene con un error relativo de 0.004/1=0.4 por ciento.
X3 = 4.03
X2 -195+(48.7)(4.03)=1.26
X1 = 30.5 + (1.55)(1.26)-8.5(4.03) = -1.8 Antes de terminar esta sección, observemos que hay algunas matrices para
las que un error pequeño de redondeo puede tener resultados desastrosos. A
Aquí los errores son significativos. Los errores relativos, dados como porcen-
tajes, son tales matrices se las llama mal condicionadas"

Ejemplo 4 Considere el sistema

X1 + X2 =1
X1-t-1.005X2 = 0
392 CAPÍTULO 7 • MÉTODOS NUMÉRICOS 7.3 • Resolución de sistemas lineales 11: Métodos iterativos 393

Se ve fácilmente que la solución es x 1 =201, x 2 = -200. Si los coeficientes se re- 8. Haga lo mismo para el sistema
dondean, con o sin pivoteo, a tres dígitos significativos, obtenemos el sistema
-O.OOOlx1 + X2 = 2
X1 + =1 X2 -x 1+x2=3
X1+1.01X2 = Ü

que tiene solución x 1 =101, x 2 = -100. Observe que al redondear se introdujo

un error relativo de 0.005/1.005 =0.5 por ciento en un coeficiente, pero esto
indujo un err9r de ¡casi 50 por ciento en la respuesta final! 7.3 Resolución de sistemas lineales
Métodos iterativos
Existen técnicas para reconocer y tratar matrices mal condicionadas. Algu- En la sección anterior presentamos un método para resolver sistemas lineales
nas de ellas se tratan en las referencias bibliográficas enumeradas en la primera directamente. Esto es, llevamos a cabo un número fijo de pasos para llegar a
sección. una sola respuesta. En análisis numérico este procedimiento es la excepción,
más que la regla. Un procedimiento mucho más común es el iterativo. En el
método iterativo la idea es obtener una secuencia de aproximaciones a la solu-
ción. Si todo sale bien, esta secuencia converge a la solución correcta, en el
Problemas sentido de que cada término o iteración en la secuencia es una aproximación a
la solución, mejor que la que la precede.
En los Problemas del 1 al 4 resuelva el sistema dado mediante eliminación gaus- Para tener una idea de este método iterativo, considere el siguiente algorit-
siana con pivoteo parcial. Use una calculadora manual y redondee a seis dígi- mo para calcular J2: *
tos significativos en cada paso.
1. 2X1 X2+ X3=
-4x 1+ 3x 2- 2x 3 -1.4
0.3 2. 4.7X1+1.8lX2 + 2.6X3 = -5.047
-3.4x1 -0.25x 2+ l.lx 3 = 11.495
Xn+l =~ (xn + :J (1)

3x1 8x2 + 3x 3 = 0.1 12.3x1+0.06x2 + 0.77x3 = 7.9684 Esto significa que empezamos con un valor x 0 y usamos la Ecuación (1) para
calcular x ; a continuación usamos (1) para calcular x 2 y así sucesivamente. En
3. -7.4x 1+3.6lx 2 + 8.04x 3 = 25.1499 la Tabla 7~1, los cálculos se hicieron en una calculadora manual con 1O dígitos
12.16x 1 2.7x 2-0.89lx 3 = 3.2157 significativos de precisión. Es evidente que el método converge muy rápida-
-4.12x1 +6.63x 2 - 4.38x 3 = -36.1383 mente a la respuesta correcta.
4. 4.lx 1 -0.7x 2 + 8.3x 3 + 3.9x 4 = -4.22
Tabla 1.1
2.6X1 + 8. lx2 + 0.64X3 - 0.8X4 = 37.452 2/x,, Xn + (2/Xn) Xn+l = +(2/xn)J
n Xn
-5.3x 1-0.2x 2 + 7.4x 3-0.55x 4 = -25.73
0.8x 1 - l.3x2 + 3.6x 3+ 1.6x4 = -7 .7
3.0 1.5
o 1.0 2.0
1.416666667
En los Problemas 5 y 6 resuelva el sistema mediante eliminación gaussiana 1 1.5 1.333333333 2.833333333
1.416668667 1.411764706 2.828431373 1.414215686
con y sin pivoteo, redondeando a tres cifras significativas. Después resuelva 2
1.414215686 1.414211438 2.828427125 1.414213562
el sistema en forma exacta y calcule los errores relativos de los seis valores 3
1.414213562 1.414213562 2.828427125 1.414213562
calculados. 4

s. O.lx 1 +0.05x 2 +0.2x 3 = 1.3 6. 0.02x 1 +0.03x 2-0.04x 3 = -0.04

12x 1 + 25x 2- 3x 3 =10 l6x 1 + 2x2+ 4X3= o Existen dos técnicas iterativas comúnmente usadas para resolver un sistema
-7x1 + 8x2+ 15x 3 = 2 50x 1 + lOx 2 + 8x 3 = 6 de ecuaciones Ax = b: el método de Jacobit y el método de Gal{ss-Seidel t · Es-
7. Demuestre que el sistema
X¡+ X2 = 50 * El método que se usa aquí, llamado método de Newton, fue descubierto en el siglo XVII por
X¡+ 1.026X2 = 20 Isaac Newton.
t Vea la reseña biográfica que aparece en la página 394.
está mal condicionado si se hace el redondeo a tres cifras significativas. ¿Cuál es el t Encontramos al gran Car! Friedrich Gauss en el Capítulo l. Así mismo, P.L.V. Seidel (1821-1896)
error relativo aproximado que se induce por redondeo en cada respuesta? fue otro matemático alemán.
394 CAPÍTULO 7 • MÉTODOS NUMÉRICOS 7.3 • Resolución de sistemas lineales 11: Métodos iterativos 395

tos métodos se usan bajo ciertas condiciones especiales. Si A está mal condi-
Ejemplo 1 Resuelva el sistema
cionada, por ejemplo, entonces como hemos visto, ciertas técnicas directas
fallan. Si la matriz A tiene un gran número de ceros (A recibe. entonces el 4.4x 1-2.3x 2 +0.7x 3 = -7.43
nombre de matriz dispersa), las técnicas iterativas a menudo producen mejores 0.8X1+2.5X2+1. lX3 = 12.17 (2)
resultados con menor trabajo. Sin embargo, los dos métodos no siempre con- -l.6x 1 +0.4x 2-5.2x 3 = 26.12
vergen. Después de describirlos, examinaremos algunas condiciones bajo las
cuales los métodos convergen siempre. En la siguiente discusión supondremos Solución Los siguientes cálculos se hicieron con cinco cifras significativas.
que el det A* O, eje modo que el sistema tenga una solución única.

Paso 1.Escribamos el sistema (2) de modo que en la i-ésima ecuación, X¡ se

l. Método iterativo de Jacobi. Ilustremos el método mediante la solución de un expresa en términos de las otras variables:
sistema particular. Primero notamos que, debido a que det A =fa O, A no tie-
3 23 7
ne columnas cero. Entonces, posiblemente mediante un reordenamiento de los X1 = - ? .4 + · x 2 - 0. X 3 = -1.6886 + 0.52273X2 -0.15909 X3
renglones de A podemos obtener una nueva matriz de coeficientes A' con ele- 4.4 4.4 4.4
mentos diagonales distintos de cero (Problema 14). Entonces suponemos que
X2
12.17 0.8
----x1--X3=
1.1 o 44
4.868 -0.32x1- . X3 (3)
para la matriz A den x n, A·= (a¡), a¡¡* O para i = 1,2, ... , n. 2.5 2.5 2.5

X3 26.12 1. 6 0.4
-----x1+-x2=-5.0231- o.307 69 X1+ o.076923 X2
5.2 5.2. 5.2

Carl Gustav Jacob Jacobi, 1804-1851 Paso !1. Escogemos arbitrariamente una aproximación inicial de la solución:
x fº), x ~o), x j 0>. Si no se dispone de otra información, escogemos x f0> = x ~0>
xj 0> = O.
Hijo de un próspero banquero, Carl Gustav Jacob Jacobi nació en
Potsdam, Alemania, en 1804. Cursó sus estudios en la Universidad Paso 3.Sustituimos estos valores iniciales en la parte derecha de (3) para obte-
de Berlín, en donde recibió su doctorado en 1825. En 1827, fue de-
ner una nueva aproximación x\1 ), x~l)' x~l):
signado Profesor Extraordinario de Matemáticas en la Universidad
de Konigsberg. Jacobi dio clases ahí hasta 1842, año en que regre- x~º = -1.6886 + 0-0 = -1.6886
só a Berlín con una pensión del gobierno prusiano. Permaneció en
esa ciudad hasta su muerte en 1851. x~I)= 4.868 -0-0= 4.868
Un escritor prolífico de tratados matemáticos, Jacobi fue mejor x~I) -5.0231-0+0=-5.0231
conocido, en su tiempo, por los resultados que obtuvo en la teoría
de las funciones elípticas. Actualmente, sin embargo, es mejor re-
cordado por su trabajo en los determinantes. Fue uno de los dos Paso 4. Usamos los valores calculados en el Paso 3 para calcular x f>, x p>,
más creativos autores que desarrollaron la teoría de los determinan- y continuar en esta forma para generar las secuencias {x fn>}, { x ~n>}, {x jn)}.
tes; el otro fue Cauchy. En 1829, Jacobi publicó un artículo acerca
de álgebra que contenía la notación del jacobiano que utilizamos = -1.6886 + 0.52273x~1 ) -0.15909x~ > 1

en la actualidad. En 1841, publicó un extenso tratado con el título

Car! Gustav Jacob
De determinantibus functionalibus, que estaba dedicado a los re-
= 1.6886 + 0.52273(4.868)-0.15909(-5.0231) = 1.6552
Jacobi
x~2 > = 4.868 - 0.32x\1> -0.44x~ >
1
sultados del jacobiano. Jacobi puso en relieve la relación entre ja-
(Historical Pictures cobiano de funciones de varias variables y la derivada de una función
Service, Chicago) de una variable. También demostró que n funciones = 4.868-0.32(-1.6886)-0.44(-5.0231) = 7.6185
2
x~ > = -5.023 l -0.30769x\1 > + 0.076923x~ )
1
de n variables son linealmente independientes si y sólo si su jacobiano no es idénticamente
igual a cero.
Además de ser un gran matemático, Jacobi fue considerado el mejor maestro de matemá-
= -5.0231-0.30769(-1.6886) + 0.076923(4.868) = -4.1291
ticas de su generación. Inspiró e influyó en un sorprendente número de estudiantes. Para
disuadir a sus alumnos de dominar grandes cantidades de matemáticas antes de emprender Continuamos de esta manera y obtenemos la Tabla 7 .2 (redondeada a cinco
su propia investigación, Jacobi solía expresar: "El padre de cada uno de ustedes nunca se cifras).
habría casado, y ustedes no habrían nacido, si él hubiera insistido en conocer a todas las
muchachas del mundo antes de casarse con una." Parece (como podemos ver desde la iteración 8) que las secuencias conver-
Jacobi creía firmemente en la investigación en las matemáticas puras y frecuentemente gen a los valores x 1 =2.5, x 2 = 6.4, x 3 = -5.3. Esto se puede verificar por susti-
la defendía contra la argumentación que sostenía que la investigación debe ser siempre apli- tución directa. Note que, al menos en este problema, las iteraciones de Jacobi
cable a algo. Dijo una ocasión: "El verdadero fin de la ciencia es la p.onra de la mente hu-
mana.''
convergen, aunque más bien lentamente. El método de Gauss-Seidel puede
aumentar la rapidez de la convergencia.
396 CAPÍTULO 7 • MÉTODOS NUMÉRICOS
7.3 . Resolución de sistemas lineales 11: Métodos iterativos

Tabla 1.~
xin) x(n)
Tabla 1.3
He ración x~n) Iteración xin) x~n) x~n)
3

o o o o
-1.6886
o o o o
4.868 -5.0231 1 -1.6886 5.4084 -4.0875
2 1.6552 7 .6185 -4.1291 2 1.7888 6.0941 -5.1047
3 2.9507 6.1551 -4.9464 3 2.3091 6.3752 -5.2432
4 2.3158 6.1002 -5.4575 4 2.4780 6.3820 -5.2946
5 2.3684 6.5282 -5.2664 5 2.4898 6.4009 -5.2968
6 2.5617 6.4273 -5.2497 6 2.5000 6.3986 -5.3001
7 2.5063 6.3581 -5.3169 7 2.4993 6.4003 -5.2998
8 2.4808 6.4054 -5.3052 8 2.5002 6.3998 -5.3001
9 2.5037 6.4084 -5.2937 9 2.5000 6.4000 -5.3000
10 2.5034 6.3960 -5.3005 10 2.5000 6.4000 -5.3000
11 2.4980 6.3991 -5.3014
12 2.4998 6.4013 -5.2995
13 2.5006 6.3998 --5.2999
14 2.4999 6.3998 -5.3002 Nuevamente nuestro resultado es x 1 =2.5, x 2 =6.4, x 3 = -5.3. Note que las
15 2.5000 6.4001 -5.3000 iteraciones de Gauss-Seidel convergen más rápidamente que las iteraciones de
Jacobi.

11. Método iterativo de Gauss-Seidel. Si examinamos con cuidado los pasos en el
método de Jacobi, notaremos cierta ineficiencia en el Paso 3. Al calcular x~nl
ya hemos calculado un nuevo valor de x [nl pero en vez de éste, hemos usado
el valor anterior x 1 <n-I). Como las iteraciones están en proceso de convergen-
cia, tiene sentido utilizar la información disponible más reciente.
Advertencia.Generalmente (pero no siempre) el método de Gauss-Seidel es más efi-
ciente que el de Jacobi. En el Ejemplo 7 encontramos un sistema para el que las
iteraciones del método de Jacobi convergen (lentamente) pero las iteraciones del
método de Gauss-Seidel divergen. Lo opuesto es también posible (vea Problema 13).

111. Convergencia. Como se mencionó anteriormente., estos dos métodos no

siempre dan una secuencia de iteraciones que converge. A continuación cita-
Ejemplo i Resuelva el sistema del Ejemplo 1 utilizando el de Gauss-Seidel. mos varias condiciones que aseguran la convergencia de las iteraciones. La demos-
tración está fuera del alcance de este texto, sin embargo, para un buen tratamien-
Solución Empezamos, como antes, con xiºl = x~0 l = x~0 l =O . .t.·~.·~~.:!"~~. ,:;:,~,... como anteriormen-
to del problema consulte el libro de Fox, citado anteriormente.
te se señaló
xi1l = -1.6886 +O+ O= -1.6886
Pero el siguiente paso es diferente. Al utilizar esta nueva aproximación de x 1, Definición 1 Sea
obtenemos

x~ l
1
4.868 0.32xi1 l-0.44x~0l = 4.868-0.32(-1.6886) = 5.4084

Ahora tenemos nuevas aproximaciones, tanto para x como para x 2 • Si utiliza A=

mos estos valores en el sistema (3), tenemos que

x~ l -5.0231- 0.30769xi1 l +0.076923x~1 l

1

= -5.0231-0.30769(-1.6886) + 0.076923(5.4084) = -4.0875

Entonces A tiene diagonal estrictamente dominante si en cada renglón el valor
Si continuamos de esta manera (siempre utilizando las últimas aproxima- absoluto del elemento diagonal es mayor que la suma de los valores absolutos
ciones), obtenemos la Tabla 7.3. de los elementos fuera de la diagonal. Esto es:
398 CAPÍTULO 7 • MÉTODOS NUMÉRICOS
7.3 • Resolución de sistemas lineales 11: Métodos iterativos 399
Observación.Como veremos en el Ejemplo 6, existen matrices que no son de dia-
gonal estrictamente dominante y, sin embargo, ambas secuencias de iteraciones
(4) convergen.
j=l
j~i
para i = 1, 2, ... , n Sea A una matriz de n x n. Denotemos como L a la matriz de n x n que
tiene los elementos de A que se encuentran en la parte inferior de la diagonal prin-
cipal y ceros en los demás lugares; Des la matriz den x n con los mismos ele-
mentos diagonales de A y cero el resto; U es la matriz con los elementos de A
arriba de la diagonal principal y ceros en los demás lugares. AL, D y U se las
4.4 -2.3 llama partes triangular inferior, diagonal y triangular superior de A, respecti-
0.7)
Ejemplo 3 La matriz A = 0.8 2.5 1.1 tiene diagonal estrictamente dominante vamente. Claramente tenemos que
(
-1.6 0.4 -5.2
porque A=L+D+U (6)

14.41>l-2.31+10.11=3
12.51 > 10.s1+11.11=1.9 o o
=(~ ~} D=(~ o D
2
D·
y
l-5.21 > l-1.61+lü.41=2 Ejemplo 5 Sea A =G 5
8
Entonces L o
8
5 y U=

G ~)·
2
Ejemplo 4 Considere el sistema o
X1+3X2 - X3 = 6 o o
4X1 - X2 + X3 = 5 (5)
X1+ Xz-7X3=-9
Teorema i Si r(A) denota el valor absoluto del valor característico de A con mayor valor
La matriz A = (: - ~ - ~) no tiene diagonal estrictamente dominante. Sin absoluto, entonces, en relación con el sistema Ax= b con det A :;é:Ü:

1 1 -7 i. Las iteraciones de Jacobi convergen si y sólo si

embargo, si intercambiamos las primeras dos ecuaciones del sistema (5) (lo
cual, por supuesto, no cambia las soluciones), entonces la matriz del sistema

reordenado es (~ - ~ =~} que sí es de diagonal estrictamente dominante. ~.~~~~~~-r[_v_-_1 (_L_+_u_)_J<~l--~~~~-~~~(-7)_,

ii. Las iteraciones de Gauss-Seidel convergen si y sólo si

La importancia de que los sistemas tengan matrices de coeficientes con

diagonal estrictamente dominante, está dada por el siguiente teorema. El
Problema 19 pide su demostración.

Teorema 1 Si A tiene diagonal estrictamente dominante, entonces las iteraciones de am-

bos métodos, el de Jacobi y el de Gauss-Seidel, convergen a la solución única
Ejemplo 6 Sea A
2 3
= ( 1 4 ) ·' entonces L = 1 (º º)o ' D 2
= (o 4 ' º) U = (ºo 3
o) ' D-
1
=
de Ax= b para cualquier vector b. (
! º)
~ ~ , v- 1
(L +U)= (~ ~3) , y los valores característicos de v- 1
(L +U) son
±JI. Entonces tenemos que r[D- (L +U)]= JI. De manera similar, encontra-
1

Nota. Dado que la matriz de los Ejemplos 1 y 2 tiene diagonal estrictamente

dominante, sabemos antes de hacer cualquier cálculo que ambas secuencias de mos que (D + L )- U= (~ _¡) con valores característicos O y
1
Entonces
iteraciones convergen.
 7.3 • Resolución de sistemas lineales 11: Métodos iterativos 401
400 CAPÍTULO 7 • MÉTODOS NUMÉRICOS

r[(D + U]=~. Esto nos da un ejemplo de una matriz que no tiene diag~nal De modo que el resultado siguiente se deriva directamente del Teorema 2.
estrictamente dominante, pero tanto el método de Jacobi como el de Gauss-Se1del
convergen. Teorema 3 Si A,D,L y U se definen como en el Teorema 2, entonces:

i. La secuencia de iteraciones de Jacobi converge si

Ejemplo 1 Sea A+~ ~. -~). Entonces L =H ~ ~} =(~ ~ -~) D Y

U=G ~o ~)- v- 1 ='~ ~ ~) 1

Encontramosque y D- (L+U)=
o \o o -3
ii. La secuencia de iteraciones de Gauss-Seidel converge si
1 o o 1)
(
o 1
o o -~ ~
La ecuación característica de D- 1(L + U) es ).. 3 + )../3 - ~ = O con raíces
aproximadas ).. 1 = 0.748, ).. 2 = -0.374 + 0.868i, y A3 = -0.374 - 0.868i. Te-
nemos \).. \ = 0.748, \A. 2 = \).. 3 \ = .J0.374 +0.868 = 0.945. Entonces
2 2
1
1
r [D-l(L + U)] = 0.945 y las iteraciones de Jacobi convergen. Por otra par-
te, encontramos que
o
Sea A= 1 Entonces A no es de diagonal estrictamente r1,.. ...... ,~~·~+~

D+L=(-~ ~ -~)
o
sin embargo aun así podemos demostrar que las iteraciones de Gauss.-Seidel
y
o o
(D+L)- 1 U
(
1
1
o
1 º)
o (ºo o 1) (º o
-1 o o o o o
0=0
convergen. Para D + L = 1 + 1
o
y

1 ~
o o
La ecuación característica de (D + L )- 1 U es -)..2 (A - 1) O de modo que U= 1 o {)
)\ = ).. = O, ).. = 1 y r[(D + U] = l. Entonces las iteraciones de o o o
1 2 3
Gauss-Seidel divergen. Entonces + 1.

Se puede demostrar además, que la rapidez de convergencia en los

Observación 1.
dos métodos depende de los valores de r[D- 1(L + U)] Y + Cuan-
to menor sea el valor de r, tanto más alta será la rapidez de IV. Análisis resolver mediante
métodos ,.,.,.,..,,.~.-.·.,~n de determinar cuándo parar.
Observación ~.
Denotemos por 1A 1 el máximo de las sumas de las normas de los el acuerdo es parar
elementos de los renglones de A (vea Ecuación 6.7.11). de un número ..,u...... ,,, d.Ij];a.mc)S l O ó 20. Sin
.......n • como no sabe-
mos cuántas iteraciones se van a para obtener una solución razona-
\Al= l:5i:5n
máx \a¡¡I blemente exacta, este método no es muy útil.
Si se utiliza el teorema del círculo de Gershgorin (vea Problema 18), no es difícil Una alternativa mejor es parar cuando el error relativo eres suficientemente pe-
queño. Recordemos que
demostrar que para cualquier matriz A de n x n,

Por supuesto, no pode-

402 CAPÍTULO 7 • MÉTODOS NUMÉRICOS 7.3 • Resolución de sistemas lineales 11: Métodos iterativos 403
mos calcular Eren forma exacta porque no conocemos la respuesta exacta x (si.
la conociéramos, no tendríamos ningún problema en primer lugar). Sin embar-
go, para muchos esquemas numéricos, podemos estimar el error relativo en el
esquema de iteración mediante la fórmula En los Problemas del 1 al 6 determine si la matriz dada es de diagonal estricta·-
mente dominante.

1.
(~ ~) 2.
(! ~) 3. (t : ~)
~ ~ 1

u -D u j)
1
-2 -2
4.
1
5. -4 6. (-~ 5
_D
La Fórmula (14) se puede explicar de la manera siguiente: si sabemos que el es- -3 1 -2 -4
quema converge, entonces la iteración x(n) se acerca más y más a la respuesta
"correcta" x. Entonces el error absoluto Ea= lx<n)_ xi ;se acerca a cero. Pero en-
tonces, como x<nl=x, tenemos quelx(n) _ xcn-1)1 = lx(n) _xi.Esto significa que la En los Problemas del 7 al 12 resuelva el sistema dado mediante el método de Ja-
Fórmula (14) se acerca al verdadero error relativo cobi y el método de Gauss-Seidel. Realice sus cálculos hasta que el error relativo
estimado E ¡n> sea menor que el número dado dentro del paréntesis. Empiece con
todas las aproximaciones iniciales iguales a cero y utilice cinco dígitos significativos.
7. 2X1 - X2 = 7 (O.Ol) 8. 3.3X¡ 2.7X2 -0.6 (O.OOl)
3x 1+5x 2 =4 -4.2x 1 +8.3x 2 =11.95
Entonces acordamos parar cuando e~nl es menor que algún valor convencional
9. 3x1 - X2 + X3 = 4 10. 3.8X¡ 1.6X2 + 0.9X3 = 3.72
de e. Comúnmente e= 0.1, 0.01, 0.001, o algún valor similar. 2x1+5x2 +2x 3 = -5 (0.01) -0.7x1+5.4x2+1.6x3= 3.16 (0.001)
Supongamos que en el Ejemplo 1 acordamos iterar hasta que el error relati- X1+2x2+4x 3 =~ 20 1.5x, + 1. lx 2-3.2x 3 = 43.78
vo estimado e~nl en el cálculo de x 1 sea menor que 0.01. A partir de la Tabla 7 .2 11. 5 .2X1 + 3.1X2 - 1.6X3 = 1.64
obtenemos la Tabla 7.4 1.7x1+2.4x2 + 0.3x 3 = 20.42 (0.001)
En este caso habríamos parado después de la novena iteración. Esto nos -6.3x 1- 3.7x2 -12.6x 3 = 0.27
habría dado la estimación x 1=2.5037. Como x 1 =2.5, el error relativo verda- 12. -3.1x1+1.9x2- 0.77x 3 =-12.806
dero es 0.003712.5 = 0.00148. Aparentemente, este método solamente nos da 0.9x 1-2.4x 2 + 1.06x 3 = 12.165 (0.0001)
una medida burda del error relativo. Sin embargo, es fácil calcular las aproxi- 7.6x 1-3.9x 2 +16.5 x3 = 27.931
maciones e~n: En condiciones de convergencia, nos proporciona una medida ra- 13. Considere el sistema
X1+h2+h3=2
zonable de cuánto se acerca uno a la respuesta correcta.
hi+ X2+h3=2
h1+h2+ X3=2

a. Demuestre que la matriz del sistema no es de diagonal estrictamente dominante.

Tabla 7.4
Iteración xi"l (n) _
(n)
X¡ -
(n·· I) 1
X¡ b. Empiece con xf 0> = xi 0> = x~ 0 > = 0.8 y demuestre que las iteraciones del mé-
E, - (n)
1 X¡ todo de Jacobi oscilan hacia adelante y hacia atrás, entre los valores 0.8 y 1.2.
Esto es, demuestre que diverge la secuencia de iteraciones Jacobi.
c. Demuestre que las iteraciones de Gauss-Seidel convergen a la solución x 1 =
o o x2 x 3 = 1, calculando ocho iteraciones y redondeando a cinco cifras signifi-
-1.6886 1.6886 1
cativas.
2
3
1.6552
2.9507
3.3438
1.2955
2.0202
0.43905
* d. Explique los resultados de ( b) y (e), a la luz del Teorema 2.
4 2.3158 0.6349 0.27416 * 14. Sea A una matriz den x n con det A =FO. Demuestre que siempre es posible reorde-
5 2.3684 0.0526 0.02221 nar los renglones de A de manera que los elementos diagonales de A sean todos
6 2.5617 0.1933 0.07546 diferentes de cero.
7 2.5063 0.0554 ().0221 () 15. Sea A una matriz diagonal con detA =F O. Demuestre que r[D- 1(L + U)]
8 2.4808 0.0255 0.01028 r[(D + L)- 1U] = O.
9 2.5037 0.0229 0.00915
16. Sea A una matriz triangular superior o inferior invertible. Demuestre que las se-
10 2.5034 0.0003 0.00012 cuencias de iteraciones de los métodos de Jacobi y de Gauss-Seidel siempre convergen.
CAPÍTULO 7 • MÉTODOS NUMÉRICOS 7.4 • Cálculo de valores característicos y vectores característicos 405

17. Sea A=(: !)· Demuestre que las iteraciones tanto del método de Jacobi como
1. El método de potencias.
supongamos que
Sean A1, A2 , ••• , An los valores característicos de A y

las del método de Gauss-Seidel convergen si y sólo si 1 bel ad 1 < ~. Esto demuestra
que es imposible encontrar un ejemplo de un sistema de 2 x 2 donde una secuencia (2)
de iteraciones converge mientras que la otra no.
* 18. Use el teorema del círculo de Gershgorin (Teorema 6.8.3) para demostrar que Esto es, A1 e.s el valor característico dominante. Más aún, supongamos que
A puede convertirse en una matriz diagonal, o sea, A tiene n vectores ca-
r(A)::s; IAI, donde IAI =máx. la¡¡j. racterísticos linealmente independientes u 1 , u 2 , • • • , un. Sea x0 un vector
l:51:5n

* 19. Use la parte (i) del Teorema 3 para demostrar que si A es diagonal estrictamente en !Rn. Existen constantes c 1, c 2 , ••• , en tales que
dominante, entonces las iteraciones del método de Jacobi convergen. (3)

Supóngase que c1 i= O. Definimos una secuencia de iteraciones mediante la fór-

mula
característicos
característicos
Como hemos visto, el cálculo de los valores característicos y de los vectores carac-
terísticos de una matriz A es importante para una gran variedad de aplicaciones.
Para estimar valores característicos, la tendencia natural es encontrar primero el Entonces X1 = Axo = C1AU1 + C2AU2 + ... + cnAun
polinomio característico p('A) = det (A - Al) y después estimar directamente las
raíces de p('A). Hay dos problemas con este enfoque; en primer lugar, los polino- = C1A1U1 + C2A2U2 +
... + cnAnun
mios muchas veces están mal condicionados, ésto es, errores pequeños de redon- Si continuamos multiplicando por potencias de A resulta que
deo en los coeficientes del polinomio pueden conducir a errores grandes en las
raíces. El segundo problema es que incluso si los coeficientes de p('A) fueran exac- X2 = Ax1=A 2Xo = A(Axo) = C1A1AU1 + C2A2AU2 + ... + cnAnAun
tos, es difícil encontrar todas las raíces de un polinomio. Por estas razones, se = C1Aiu1 + C2A~U2 + ... + cnA~un
han diseñado algunas técnicas para calcular valores característicos y vectores ca-
racterísticos directamente. El primero de éstos se utiliza para calcular el valor
característico de mayor valor absoluto.
=A kXo = C1A ~U1 + CzA~U2 + ... + cnA~un (5)

r rl
xk
Sean 'A 1, 'A 2 , ••• , 'A n los valores
Valor característico y vector característico dominantes.
característicos de A. Entonces el valor característico A. 1, es dominante si obien xk = A k Xo = ,\ ~ [e 1u1 + C2 (~ ~ Uz + ... + c.(~: u. (6)
(1)
Como l1\ 1< IA1I para i = 2, 3, ... , n, vemos que IAJA 1lk se acerca a cero a me-
Si v 1 es un vector característico de A correspondiente a )\ 1, entonces v 1 se deno- dida que k aumenta. Por lo tanto puede escribirse
mina vector característico dominante.

fJE~m•~IO 1 Si los valores característicos de A son 4, - 2, 1, 3, entonces - 4 es dominan-

te.
a1 A~c 1 a 1
t1e~mi110 ! Si los valores característicos de A son - 5, 3, 5, entonces A no tiene valor a2 A~c 1 a 2
Supongamos u 1 = . Entonces A~C1U1 =
característico dominante, ya que l-51=151.

Ahora describiremos un método, llamado método de la potencia, para cal-

cular el valor característico y el vector característico dominantes de una
matriz. Ahora supóngase que a1 es diferente de cero. Entonces formamos _el--Gociente
406 CAPÍTULO 7 • MÉTODOS NUMÉRICOS 7.4 • Cálculo de valores característicos y vectores característicos 401
Tabla 7.5
(k)
Ck+l) _ }-ésima componente de A k + 1 x0 Iteración xk (como vector renglón) a\k)
a2
Q'.. - ------------- (8)
} }-ésima componente de A kx0
o (1, 1)
(-9, 3) -9 3
2 (21, -3) -2.3333 -1
Esto nos da un método para calcular A1• Simplemente observamos el cociente 3 (-69, 15) -3.2857 -5
'1 e las j ésima.s. componentes de y x k y dejamos que k crezca. Más aún, una 4 (201, -39) -2.9130 -2.6
vez que hemos encontrado A1, también conocemos un vector característico 5 (-609, 123) -3.0299 -3.1538
correspondiente a A1, porque según la Ecuación (7), 6 (1821, -363) -2.9901 -2.9512
7 (-5469, 1095) -3.0033 -3.0165
8 (16401, -3279) -2.9989 -2.9945
9 (-49209, 9843) -3.0004 -3.0018

puede verificar fácilmente que (~~) es un vector característico de A corres-

es un vector característico correspondiente a A1, ya que Afc 1 es un escalar y u 1es
un vector característico. pondiente al valor característico A1 = -3.

El método de potencias que se acaba de describir funciona solamente

Advertencia.
cuando A tiene un valor característico dominante.*
11. Método de potencias con normalización. En el ejemplo anterior vimos que el ta-
maño de las iteraciones crece muy rápidamente. Para evitar esto, se realiza lo
que hicimos para terminar el problema: normalizar o graduar el vector xk al
Ejemplo 3 U se el método de la potencia para encontrar el valor característico y el vector dividirlo entre su componente mayor (en valor absoluto). Si denotamos como
característico dominantes de A = (-41 -5)2 . x ~ a la nueva iteración graduada, entonces

Solución Aquí x 0 es arbitrario, así que escogemos un valor simple: x0 = G). Entonces
X1 = Axo (-~ -~)G) = (-~)
Este nuevo método, que se llama método de potencias con normalización, ori-
X2 Ax1 (-~ -~)(-~) = (~~) a12
) = _:~ = -2.3333 gina un vector característico u cuya mayor componente es 1 y entonces es posi-
ble encontrar el valor característico dominante resolviendo la ecuación A u
A 1U para A 1 •
Si continuamos de esta m~mera obtenemos la Tabla 7.5. Todos los resultados
están redondeados a cinco cifras significativas.
Parece ser que a.)kJ y a~k> convergen a - 3, que es el valor característico de A,
como puede verificarse fácilmente (el otro es A2 = 1). Mas aún, vemos que Ejemplo 4 Realice nuevamente el Ejemplo 3, utilizando el método de potencias con nor-
malización.
v1 = ( -49209) es aproxima . damente igua
· l a un vector caractenstlco
, · d e A . p ara
9843
simplificar este vector, lo "normalizamos" dividiéndolo todo entre su elemento
Solución Si x 0 = G), entonces x 1= (-~)como antes y
mayor(envalorabsoluto) -49,209paraobtenerv¡'= (
1
-0.20002
)=(\).Se
-5
x\ = -~(-:) = (_n
* Se puede demostrar que el método de potencias funciona aun cuando A no puede convertirse
en matriz diagonal. Sin embargo, en ese caso la convergencia se logra con una rapidez menor.
Entonces X2 = Axí = (-~ -~)(_l) = (-i)
 7.4 • Cálculo de valores característicos y vectores característicos
408 CAPÍTULO 7 • MÉTODOS NUMÉRICOS

característico dominante con vector característico u 1 , y sea v un vector colum-

de modo que
na tal que u 1 • v = 1. Si la matriz B está dada por

Llevamos a cabo más iteraciones en la Tabla 7 .6.

1
Como antes, podemos concluir que v = ( ) es un vector característico de
. -0.2
entonces los valores característicos de B son {O, A. 2 , A. 3 , ••. , A.n }. * La demos-
A, correspondiente a A. 1 • Así Av = A. 1v o bien (-41 -5)( 1 ) ( A1 )
2 -0.2 = -0.2A 1 '
tración de este teorema puede consultarse en la obra de referencia de Blum
(p. 239).
3
que produce (- ) = ( Ai ). Entonces A. 1 = -3.
0.6 -0.2A 1

Tabla 1.6
Iteración xk x~ (normalizado) fJe1mo110 5 En el Ejemplo 3 teníamos que A = (-~ A¡= -3, y U¡= Si

o (1, 1) (1, 1)
V= e¡), entonces U ¡ºV= i y

1
2
(-9, 3)
(-2.3333, 0.33333)
(1,
(l,
-0.33333)
-0.14286) 1
-5)2 +3 (-!1)b:,1 5) -2
3 (-3.2857, 0.71428) (1, -0.21739)
4
5
(-2.9131, 0.56522)
(-3.0299, 0.61194)
(1,
(1,
-0.19403)
-0.20197)
-~1) = (-4 -5)+ ( ~3
2 1 2 -10
-~)
6 (-2.9902, 0.59606) (1, -0.19934)
7 (-3.0033, 0.60132) (1, -0.20022) Claramente det B = O, por tanto, cero es un valor característico de B, tal como
8 (-2.9989, 0.59956) (1, -0.19993) se esperaba. El otro valor característico de B es el segundo valor característico
9 (-3.0004, 0.60014) (1, -0.20002) de A. Lo calculamos con el método de la potencia con normalización. Empe-

zamos con x 0 = G), y obtenemos

Nota. En la Tabla 7 .6 la primera componente de xk tiende a -3, como debe

ser, ya que para k grande, x 1 =Bx.0 = (-2.50.7 -12.5)(1)
3.5 1 = (-15)
4.2
Entonces xí = Co\s)
y
= (-2.50.7 -12.5)( 1) ( 1)
3.5 -0.28 = -0.28

Pero la primera componente de x{_ 1 es 1. De donde la primera componente 1 ) ' .

Por lo tanto, sin más problema, vemos que ( es un vector caractenstico
de xk = "-1. Esto significa que podemos encontrar A. 1directamente de la tabla. -0.28
de B, correspondiente al valor característico ~ 2 = 1. Consecuentemente, los

111. Deflación. El método de potencias tiene la desventaja obvia de que nos

valores característicos de (-41 -5)2 son - 3 Y 1.
da solamente el valor característico dominante. Hay muchas formas de calcu-
lar otros valores característicos. Aquí examinamos uno de esos métodos. Pri-
meramente necesitan:.ios el resultado siguiente.
* Observe que como u 1 es una matriz de n x l (vector columna) y v también es una matriz de
n x l, entonces v1 es una matriz de l x n y u 1v1 es una matriz de n X n.
Teorema 1 Consideremos a A. 1 • "-2, ••• , "-n• los valores característicos de A. Sea A. 1 el valor
410 CAPÍTULO 7 • MÉTODOS NUMÉRICOS 7.4 • Cálculo de valores característicos y vectores característicos 411

Nota. No es coincidencia que Bx.0 sea un vector característico de B si Bes una

matriz de 2 X 2; esto siempre se cumple. (Vea el Problema 14, en el que se
sugiere por qué es así.)
de modo que

B =A-A 1u 1 v' =(-~

-1

-2
3 1)
-~ -6 -;e -3

-3
1

1
3
1 -1)
Ejemplo 6 Calcule los v~ores característicos de A
potencias con normalización y deflación.
= (- ~ ~ ~ ~) cou el método de
-
+~ -D-H -D
-1

-2
3
-2
2
-2 u
Vemos que det B =O; entonces cero es un valor característico de B. Para en-
1
1
o
-~)

Solución Sea x,, =O} Eutouces x, =Ax,,= G) y x; = G.J Auálogameute

contrar el valor característico dominante de B, nuevamente usamos el método
de la potencia con normalización. Los resultados se presentan en la Tabla 7 .8.
Ahora parece que las iteraciones convergen hacia A2 = 3 y U2 = (1, t -~).

(~·~) y xi= (-0-.4~444). Continuamos de esta manera y obtene-

Nuevamente, esto puede verificarse fácilmente. A pesar de que u 2 es un vector
x 2 =Ax 1 = característico tanto de A como de B, esto no siempre sucede. el Ejemplo 5,
2.5 0.55556 1 \era un vector característico de B pero no de A.)
mos los valores en la Tabla 7. 7. ( -0.28}

Tabla 1.7 Tabla 1.8

ak = primera
ak =primera
Iteración xk X~ componente de xk
Iteración xk X~ componente

o (1, 1, 1) (1, 1, 1) 1
o (1, 1, 1) (1, 1, 1)
(2, 2, O) (1, 1, O) 2
1 (4, O, 2) (1, O, 0.5) 4
2 (3, 2, -1) (1, 0.66667' -0.33333) 3
2 (4.5, -2, 2.5) (1, -0.44444, 0.55556) 4.5
3 (3, 1.6667' -1.3333) (1, 0.55556, -0.44443) 3
3 (5, -3.4444, 3.5556) (1, -0.68888, 0.71112) 5
4 (3, 1.5556, -1.4444) (1, 0.51853, -0.48147) 3
4 (5.4, -4.4889, 4.5111) (1, -0.83128, 0.83539) 5.4
5 (3, 1.5185, -1.4815) (1, 0.50617, -0.49383) 3
5 (5.6667' -5.1646, 5 .1687) (1, -0.91139, 0.9 212) 5.6667
6 (3, 1.5062, -1.4938) (1, 0.50207' -0.49793) 3
6 (5.8235, -5.5584, 5.5591) (1, -0.95448, 0.9. /~60) 5.8235
7 (3, 1.5021, -1.4979) (1, 0.50070, -0.49930) 3
7 (5.9091, -5.7726, 5.7728) (1, -0.97690, 0.9' ü93) 5.9091
8 (5.9538, -5.8846, 5.8846) (1, --0.98838, 0.%838) 5.9538
9 (5.9768, -5.9419, 5.9419) (1, -0.99416, 0.99416) 5.9768
10 (5.9883, -5.9708, 5.9708) (1, -0.99708, 0.99708) 5.9883
Finalmente, se utilizará la deflación otra vez para encontrar el último va-

Resulta que las cxk convergen a "A 1 = 6 con un vector característico corres-
lor característico de B (y por lo tanto de A). Hacemos V1 = (~} Enton-

poudieute u 1 = ( - ~} Esto se puede verificar fácilmeute. A coutiuuacióu eu- ces u2 ·v, = 1 y u 2v'1= (j) (1, O, O)= ~ ~ D Y C = B-A,u,v\=

(-i).1

-; 1-1)
coutramos un vector v tal que u, ·v = 1. Una seleccióu obvia es v =

Entonces
1
1
H) ( o
O . Omitimos la ite-
1
-2
!
1

1)-(-~ -~
ración, que demuestra que el valor característico dominante de Ces P- 3 l.
3 - 3
1
3
3
-l) De modo que los valores característicos de A son 6, 3 y 1.
 Ejercicios de Repaso • Capítulo 7
412 CAPÍTULO 7 • MÉTODOS NUMÉRICOS

El método de potencias, junto con deflación, nos da una forma razonable 14. Sea A = (~ ~). Demuestre que para cualquier vector de dos elementos x 0 , se tie-
de encontrar los valores característicos de A, si ésta no tiene dos valores carac- ne que Bx 0 es un vector característico de B, donde B está definida en la Ecuación
terísticos con el mismo valor absoluto y si es buena la aproximación de cada (11).
valor característico. Por ejemplo, si A1 es inexacta, el cálculo dé mediante
deflación puede ser bastante más inexacta.
Hay muchas otras formas de calcular numéricamente los valores caracterís-
ticos de una matriz cuadrada. Un método que funciona bien con una matriz
simétrica es el llamado método de Jacobi. La idea es calcular una secuencia En los Ejercicios del 1 al 4 el número x y una av.ro;'<mvzac-::wn x* son conocidos.
de matrices ortogonales cuyos elementos diagonales se a los valores
Encuentre los errores absoluto y relativo eª Y eT.
característicos de A. Muchas de las referencias mencionadas en la Sección 7 .1
3
tratan este método. Finalmente, notamos que la decisión de ''cuándo 1. X= -7; x* = -6.98 2. X= 1000; x* = 1.002X10
4
puede tomarse, como en la última sección, calculando valores 3. X= x* = 1 >~] ff- 2 4. X= 37539; x* = 3.7 X 10
error relativo e~n). -4
5. Reduzca la matriz -3 a la forma escalonada por renglón.
9

En los Ejercicios 6 y 7 resuelva el sistema dado mediante la eliminación gaus-

siana con apoyo o pivoteo parcial. Redondee a seis en ca-
En los Problemas del al 6 calcule el valor característico dominante y el vector da paso.
característico de A mediante el método de potencias con normalización. 6. 3.6X1 + 8.2X2 - 6.4X3 = 1.26 7. 1.3x 1 - 9.6x 2 +5.35x3= 0.515
-4.5x 1 -5.9x2+0.3X3 = 2.57 -12x 1 - 15x 2 + 3.8X3 = -71.966
8 -32
1. 3. Ü.7x1+3.6X2-4.8X3 = 2.15 1.06x 1 -22.2x 2 +9 .93x3 = 1.809

En los Ejercicios 8 y 9 determine si la matriz dada es de ma•f!o,nm estrictamente

-1 2 4
dominante.
2 5. o 6. 5
2 2
9.
7. Use el método de potencias para estimar el valor característico dominante de A

(~ En los Ejercicios 1Oy 11 resuelva el sistema dado mediante los métodos de

cobi y de Gauss-Seidel. Lleve a cabo las iteraciones hasta que el error
continúe las iteraciones hasta que el
error relativo estimado
estimado sea menor que el número dado entre Use
Calcule el valor característico dominante en forma exacta. ¿Cuál es el valor significativas en todos los cálculos.
exacto de e,? 10. 2.7X1 -Ü.9X2 + l.3X3 = 6.98
13 -0.3x 1 + x 2 + 0.4x3 = -2.77 (0.001)
8. Para la matriz A= siga los pasos del Problema 7. Use seís cifras 4X1-3.3X2+9.6X3 = 21.79
8
significativas. 8.62X2+19.4X3 = ·-2.2502
-4.73x 1 + 80.4x2- 37 .2x 3 = 3.5402
9. Demuestre que las iteraciones del método de potencias no convergen para la matriz 8.37x 1 + 30.9x 2 - 57.4x3 = -24.0858
A= Explique por qué. En los Ejercicios del 12 al 14 estime el valor característico dominante Y el vec-
.
10. Haga lo mismo para la matnz A= . (2 tor característico mediante el método de la con normalización.
-1
5
8 -2)2
12. (4 13.
6
14. 2
En los Problemas del 11 al 13 use rtflT'lrtr>'"' para encontrar los otros valores o -1
característicos. 15. Use deflación para encontrar el segundo valor característico de la matriz del Ejer-
cicio 13.
1. Para la matriz del Problema 1 12. Para la matriz del Problema 3
13. Para la matriz del Problema 4
APÉNDICE 1
Inducción
m t 'tica

La inducción matemática* es el nombre sofisticado que se le ha dado a un

principio lógico simple que puede usarse para probar afirmaciones matemáti-
cas de cierto tipo. Típicamente se usa la inducción matemática para demostrar
que una cierta proposición o una cierta ecuación son válidas para todo entero
positivo. Por ejemplo, podría requerirse demostrar que 2n > n para todos los
enteros n ;:::: 1.
Para lograr esto, se procede en dos pasos.

i. Probamos que la proposición es verdadera para algún entero N

(usualmente N = 1).
ii. Se supone que la proposición es verdadera para un entero k, y se de-
muestra que es verdadera para k + 1.

Si podemos completar estos dos pasos, habremos demostrado entonces la

validez de la proposición en cuestión para todos los enteros mayores que o iguales
a N. Para convencerse de este hecho, razonemos como sigue: como la proposi-
ción es verdadera para N (por el paso i) también será válida para el entero N +
1 (por el paso ü). Entonces es también cierta para el entero (N + 1) + 1 =
N + 2 (de nuevo, por el paso ii), y así sucesivamente. Se demostrará el proce-
dimiento con algunos ejemplos.

Ejemplo 1 Demostrar que 2n > n para todos los enteros n ;:::: 1.

Solución i. Si n = 1, entonces 2n = 2 = 2 > 1 = n, así que 2n > n cuando
n = l.
ii. Supóngase que 2k > k cuando k > 1 es un entero.

t Esta técnica fue utilizada por primera vez en una demostración matemática por el gran mate-
mático francés Pierre de Fermat (1601-1665).
416 APÉNDICE 1 • INDtJCCIÓN MATEMÁTICA Apéndice 1 • Inducción matemática 1

Entonces Solución i. Como 1(1 + . 1 + 1)/6 = 1 la Ecuación (3) es válida cuando

n = 1.
ya que 2k k
2k + 1 = 2 . 2k = 2k + 2k ::> k + k > k + 1 ii. Supóngase que la Ecuación (3) se verifica para n = k, esto es,

Esto completa la demostración, ya que hemos demostrado que 2 1 > 1, lo cual ¡ 2 + 22 + 32 + ... + k2 = k(k + 1)(2k + (4)
implica, por el paso (ii), que 2 2 > 2 y, por el paso (ii) de nuevo, que 2 3 >
3, 24 > 4, y así sucesivamente. Entonces, para probar que (3) es cierta para n = k + 1, tenemos
por
k(k + 1)(2k + 1) (k
Ejemplo i Usar la inducción matemática para demostrar la fórmula para la adición de 12 + 22 + 32 + ... + k2 + (k + 6 + +
los primeros n enteros:

1 + 2 + 3 + · · · + n = _n(_n_+_I) (1) k(k + 1)(2k + 1) + 6(k + 1) 2

6
Solución i. Si n = 1, la suma del primer entero es 1. Pero (1)(1 + 2)/2 = 1, así que
k+l
la Ecuación ( 1) se satisface en el caso en que n = l. = - 6 - [k(2k + 1) + 6(k +
ii. Supóngase que (1) se verifica para n = k, esto es:

1 + 2 + 3 + ... + k = _k(_k_+_l) 1
2
(2) = k : [2k 2 + 7k + 6]
Debe demostrarse que se cumple paran = k + 1. Esto es, hay que probar k +1
que = - 6 - [(k + 2)(2k + 3)]

1 + 2 + 3 + ... + k + (k + 1) = (k + 1)(k + (k + l)(k + 2)[2(k + 1) + l]

6
Pero
que es la Ecuación (3) para n = k + 1 y la demostración queda terminada.
1 + 2 + 3 + ... + k + (k + 1) = (1 + 2 + 3 + ... + k) + (k + 1) De nuevo, el lector quizá desee experimentar con esta fórmula. Por ejemplo

por (2)\ k(k + 1) ¡ 2 + 22 + 32 + 42 + 52 + 62 + 72 = _7(_7_+_1_)(_2_·_7_+_l)

= + (k + 1) 6

k(k + 1) + 2(k + 1) = 7 . 8 . 15 = 140

2 6

(k + l)(k + 2)
Si a-/ 1, utilizar inducción matemática para demostrar la fórmula de la suma
y la demostración queda completa. El lector puede intentar resolver varios de una progresión geométrica:
ejemplos para cerciorarse de que la fórmula (1) funciona realmente. Por
ejemplo l - an+ 1
+ a + ª2 + ... + an = --- (5)
1- a
10(11)
1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10 = = 55
Solución i. Si n O, entonces
a0 + 1 1- a
Ejemplo 3 Usar inducción matemática para probar la fórmula para la adición de los cua- -------1
l-a -l-a-
drados de los primeros n enteros positivos:
2 2 2 n(n + 1)(2n + 1) Así que la Ecuación (5) es válida si n = O. (Usamos n O en vez den
1 + 2 + 3 + · · · +2n = - - - 6 - - - (3)
1 puesto que aº = 1 es el primer término.)
418 APÉNDICE 1 • INpUCCIÓN MATEMÁTICA

ii. Supóngase que (5) se verifica para n k; esto es,. APÉNDICE

1 - ak+ 1
1 + a + a 2 + · · · + ak = ----- (6)
1- a
Entonces,
por (6\ 1 - ak + 1
Números compl jos
+ a + ª2 + ... + ak + ak+ 1 = + ak+ 1
1- a
1 - ak + 1 + (1 - a )ak+ 1 - ak+ 2
1- a - a
de manera que la Ecuación (6) también es válida cuando n k + 1 y la
demostración se completa.

Ejemplo 5 Sean A 1, A 2 , ••• , Ak, k matrices de n x n invertibles. Demostrar que

(A1A2 · · · Am)- =A~/ A~1 _ 1 •
1
• • A2 1 A1 1 (7)
Si m = 2, tenemos, por el Teorema 1.8.3, que {A 1 A 2 )- 1 = A;,- 1 A;- 1 . Por lo
tanto, la Ecuación (7) se verifica para m = 2. Supondremos que es cierto si En el Capítulo 6 nos encontramos con el problema de hallar las raíces del po-
m = k y se la demostrará para m = k + 1. Sea B = A 1 A 2 • • • Ak. Entonces linomio
(A1A2 · · · AkAk+1)- 1 = (BAk+1)- 1 = A;l1B- 1 (8) A2 +aA +b =O (1)
Pero, por la hipótesis de inducción, Para encontrar las raíces usamos la fórmula cuadrática
1 1 1 1 1
B- = (A 1 A2 · · · Akt = A; A;.:1 · · · A2 A1 (9)
-a ±Ja2 -4b
Sustituyendo (9) en (8) se concluye la demostración. A=------ (2)
2
Si a2 -4b >O existen dos raíces reales. Si a2 - 4b =O obtenemos la raíz simple (de
multiplicidad 2) t.. = -a/2. Para tratar el caso a 2 - 4b < O introducimos el
número imaginario*
Problemas A.1

En los siguientes problemas demuestre el resultado requerido usando inducción

matemática.
2
1. Muestre que 1 3 +2 3 +3 3 + · · · +n 3 =[n 2 (n+l) ]/4.
2. Sean u, v 1, v 2 , •.. , vn, n + 1 vectores en IR 2 • Demostrar que * El lector no debe preocuparse con el término "imaginario". Es sólo un nombre. El matemático
británico Alfred North Whitehead, en el capítulo sobre números imaginarios de su Jntroduction
U• (v 1 + V2 + · · · + Vn) = U ' V¡ + U ' V2 + · · · + U ' Vn.
to Mathematics, escribió lo siguiente:
3. Demostrar que si a i= 1, Quizás sea útil observar aquí que cierto tipo de mentalidad siempre se preocupa y preocupa a
n_ 1 (n + 1)an + nan + 1 otros examinando la aplicabilidad de los términos técnicos. ¿Es correcto llamar números a los nú-
1 + 2a + 3a 2
+ · · · + na 1
= ---------- meros inconmensurables?, ¿son realmente números los números positivos y negativos?, ¿son los
números imaginarios realmente imaginarios, y son números?, con preguntas ociosas de ese tipo.
4. Demuestre que si un conjunto S contiene n elementos entonces S tiene 2n subcon- Es necesario comprender muy claramente que, en ciencia, los términos técnicos son nombres asig-
juntos. nados arbitrariamente, como los nombres de pila que se ponen a los niños. No se plantea la cues-
S. Suponiendo que todo polinomio tiene al menos una raíz, demuestre que tión de si los nombres son correctos o erróneos. Pueden ser apropiados o inapropiados, porque
un polinomio de grado n tiene exactamente n raíces (contando las multiplicidades). a veces pueden elegirse de manera que sean fáciles de recordar, o sugieren ideas pertinentes e im-
6. Dado que det AB = det A det B demuestre que det A 1 A 2 . • • A 111 = det A 1 det A 2 • .• portantes. Pero el principio esencial es el que Humpty Dumpty explicó muy claramente a Alicia
en el País de las Maravillas, cuando le dijo, respecto del uso de las palabras: "Les pago extra y
det A 111 , donde A 1 , • • • , A,,1 son matrices de n x n.
las hago significar lo que quiero". De manera que no nos preocuparemos de si los números imagi-
7. Si A 1, A 2 , ..• , Ak son matrices de m x n muestre que (A 1 + A 2 + · · · + Aky = narios son imaginarios, o de si son realmente números, sino que consideraremos el término como
A\+ A~+· · ·+A~. Se puede suponer que (A+ BY =A 1 + B 1• un nombre arbitrario de una determinada idea matemática, que trataremos ahora de explicar.
 Apéndice 2 11 Números complejos 421
APÉNDICE 2 • NÚMEROS COMPLEJOS
Los números complejos se pueden representar como puntos en el plano
Entonces, para a 2 -4b<O, complejo, con Re z representada a lo largo del eje x ~ Im za lo largo del eje y.
Algunos puntos representativos se muestran en la Figura A.1.
= J(4b-a 2 )(-l) =
y= Im z
y las dos raíces de están dadas por
4 2+3i
-2+3i
y 3+2i
2
-1 +i l + i
Figura A.1
fle1mDJJO 1 Encuentre las raíces de la ecuación cuadrática A2 + 2A. + 5 =O. -4 -2 o 2
-1-i (-i
-3 - 2i ,,; -2 3 2i
Solución Tenemos a=2, b=5 y a 2 -4b= -16. Así, 4i y 2 - 3i
-2-3i
las raíces son -4
-2+4i
=--=-1+2i
2
y Si z = 01. + i(3, entonces definimos el conjugado de z, denotado como z, por

Deflmíclc>n 1 Un número complejo es un número de la forma

En la Figura A.2 se muestra un valor representativo de z Y z.

donde a y f3 son números reales. 01. se conoce como !aparte real de z y se denota
Re z. f3 se conoce como parte imaginaria de z y se denota Im z. La representa-
Figura A.2
ción (4) se conoce como forma cartesiana del número complejo z.
Observación.Si (3 = O en la Ecuación (4) entonces z = a es un número real. En (a) (b)
este contexto podemos considerar al conjunto de números reales como un sub-
conjunto del conjunto de números complejos.
Ejemplo 4 Calcule el conjugado de (i) 1 + i, (ii) 3 - 4i, (iii) -7 + Si, Y (iv) -3.

t.1ema1ro 2 En el Ejemplo 1 Re A1 = -1, Im A1 =2. Solución (i) 1 +l = 1 - i; (ii) 3-4i = 3 + 4i; (fü) -7 + 5 i = -7 - 5 i; (iv) =-3.

Las reglas ordinarias de la suma y la multiplicación se cumplen para los nú- No es difícil mostrar (Problema 35) que
meros complejos.

5 4i. Calcule (i) z + w, (ii) 3w 5z y (fü) zw.

Si z= (3i con (3 real, entonces z se conoce como imaginario puro. Podemos en-
Solución i. z+w=(2+3i)+(5-4i)=(2+5)+(3-4)i=7-i. tonces mostrar (Problema 36) que
ii. 3 w = 3 (5 - 4 i) = 15 12 i ; 5 z = 10 + 15 i ; y 3 w 5 z = (15 - 12 i) -
(10+ 15i) = (15-10)+ i(-12-15) = 5-27i. si y sólo si z es imaginario puro
m. zw = (2 + 3i)(5 -40 = (2)(5) + 2(-4i) + (3i)(S) + (3i)(-4i) = 10- st + 1si - z=-z
12i 2 = 10+7i+12 22+7i. Aquí hemos usado el hecho de que i 2 =-l.
APÉNDICE 2 • NÚMEROS COMPLEJOS
Apéndice 2 • Números complejos 4~3

ªº 2
Sea Pn (x) = + a1x + a2x + · · · + anxn un polinomio con coeficientes rea-
les. Entonces se puede mostrar (Problema 41) que las raíces complejas de la
ecuación Pn (x) = O ocurren en pares de conjugados complejos. E~to es, si z
es una raíz de Pn (x) = O, entonces z también lo es. Vimos este hecho ilustra-
do en el Ejemplo 1 en el caso n = 2. arg i = -arg z (12) J
Para z= a + i{3, definimos la magnitud de z, denotada como lzl, por
Podemos usarlz[y arg z para describir una forma que frecuentemente, es
más conveniente para representar a los números complejos*. De la Figura A.3
es evidente que si z =a+ i{3, r= z ¡, y O= arg z, entonces
1

Y definimos el argumento de z, denotado arg z, como el ángulo Oentre la recta

Oz Y la parte positiva del eje x. De la Figura A.3 vemos que r= lzl es la distan-
cia de z al origen y
Veremos al final de este apéndice que

e ie = cos e + i sen e (14)

Como cos ( -0) = cos Oy sen ( - O)= - sen O, tenemos también

Im z

--,/,
z = a

,
+ i¡3 = rei0

113==rsen0
e -ie = cos ( - e) + i sen (-e) = cos e- i sen e

Figura A.3 e
-r--~-__._--
1

Re z La Fórmula (14) se conoce como la fórmula de Eulert. Usando esta fórmula y

o a=r cose O'. la Ecuación (13), tenemos
z =a+ i(3 = r cose+ ir sen e= r(cos e+ i sen 8)
Por convención siempre escogemos el valor de tan - 1 {31 a que está en el inter-
valo o bien
-7T<8:S7T (10)
De la Figura A.4 vemos que

La representación (15) se conoce como laforma polar del número

t•~~m•=1m 5 Determinar la forma polar de los siguientes números ~~,···k--·-J 1, -1,

+ i, (v) -1
(fü) i, (iv) 1 y (vi) -2 + 7i.
Im z

~Rez
Solución Los seis puntos están representados en la Figura A.5.
i. De la Figura A.5a, es claro que arg 1 = O. Como Re 1 1, vemos que,
Figura A.4
en la forma polar, l = 11 éº = 11 eº = l.

* Esta representación es muy familiar para aquéllos que hayan estudiado coordenadas polares en
z un curso de cálculo.
t Llamada así en honor del gran matemático suizo Leonhard Euler (1707-1783).
 APÉNDICE 2 • NÚMEROS COMPLEJOS
Apéndice 2 • Números complejos

y= Im z y= Im z y= Im z
Si () = arg z, entonces, por la Ecuación arg z = - fJ. Así, como \z\ = \z 1:

~x~Rn
j

-J
1T

x =Re z --r-'\~--... x
2
= Re z
z = rew, entonces z = re-w

Figura A.5 y= Im z
(a) (b)

y= Im z
º'
y= Im z
(c)

Suponiendo que se expresa un número complejo en su forma polar z = reie.

-2+7i Entonces
1 + i ---+---l.,.. x = Re z ,-- 7i
1
1

x =Re z _...._
1
____ x Re z
o -1 -2i -2 o La fórmula es útil en una gran variedad de cálculos. En particular, cuando
(d) (e) (f) r = 1z1 = 1, se obtiene la fórmula de De Moivre. *

ii. Ya que arg(-1) 7r (Figura A.5b) y l-1 I 1, se tiene que

- 1 = 1eni = ein

fü. De la Figura A5c se ve que arg i = 7r /2. Como 1i1 1, se

deduce que

t1e1mDilO 7 Calcule (1 + i) 5 •
iv. arg(l + i) tan- (1/l) = ( 7r/4) y l 1 +
1
il = ji2+12 = j2, de modo
one Solución En el Ejemplo 5(iv) se demostró que 1 + i = j2eni/ 4 ., Entonces
1 + i = flein/4 5
(1 + i) 5 = (j2e•'i 4 ) 5 = (j2)'e"'14 = 4J2(cos : +i
1
v. Aquí tan- ({3/a) = tan- .}3 =
1
7r/3. Sin embargo, argz está en el tercer
cuadrante, así que ()
l-1 -fil = )1 2 + (j3)2=
7rl3 + 7r 47r/3. Tenemos además que
= 2, de modo que (- fi- Jd = -4 4i

- 1- fi = 2e4ni/3
Esto puede ser verificado por cálculo directo. Si tal operación no fuese tanto
vi. Para resolver este problema necesitamos una calculadora. Se halla que más difícil, trátese de evaluar (1 + i) 2º en forma directa. Procediendo como
antes, obtenemos
arg z = tan - 1 ( -!) = tan- 1 ( -3.5) ~ -1.2925.
(1 + i) 2 º = (J2) 2 ºe 2 º'1Ti/ 4 = 2 10(cos 5n + i sen5n)
Pero tan- 1 x está definido como número en el intervalo (-7r/2, 7r/2). De
10
la Figura A.5f, () está en el segundo cuadrante, y por lo tanto, arg z = = 2 (-1 +O)= -1024
tan- 1(-3.5) + 7r z 1.8491. Por otra parte,

1-2 + 7il = J(-2) 2

+ 72 =fe.
En consecuencia, e ie = cos e + i sen e
-2 + 7í ~ j53ei. 349 u usando series de potencias. Si esto no le es bien conocido omita la demostra-
ción. Tenemos que
fl~~mS)IO 6 Convierta los siguientes números complejos de forma polar a forma carte-
siana: (i) 2ei7ri 3 ; (ii) 4ehil2.
* Abraham De Moivre (1667-1754) fue un matemático francés muy conocido por su trabajo en
Solución i. ei'IT/ 3 = cos 1T/3 + i sen n/3=1 + (.J3°/2)i. Así 2ei7'13 = 1 + .J3i. teoría de la probabilidad, en series infinitas y en trigonometría. Su reputación era tan elevada que
ii. e 3 '1Ti/ 2 = cos 31T/2 + i sen 31T/2 =O+ i(-1) = -i. Así 4ehi/ 2 = -4i. frecuentemente Newton decía a quienes recurrían a él en cuestiones de matemáticas: "Vaya usted
con De Moivre; él sabe de estas cosas mejor que yo".
* Si el tiempo lo permite.
426 APÉNDICE 2 • NÚMEROS COMPLEJOS
Apéndice 2 • Números complejos 421

... t (20) 35. Muestre que z =a+ i(3 es real si y sólo si z = z. [Sugerencia: Si z = i muestre
que (3 = O.]
36. Muestre que z =a+ i(3 es imaginario puro si y sólo si z = -z. [Sugerencia: Si
senx = x (21) z= -z, muestre que a = O.]
37. Para cualquier número complejo z muestre que zz = lzl •
2
3! 5!
x2 x4 38. Muestre que el círculo de radio 1 centrado en el origen (el círculo unitario) es el
COS X= 1--+-- · · · (22) conjunto de puntos en el plano complejo que satisface lzl =l.
2! 4! 39. Para cualesquiera números z0 complejo y a real describa {z: lz - z 0 I =a}.
3 4 40. Describa lz: lz - zol ::;aj, donde z 0 y a son como en el Problema 39.
Entonces e:º= 1 + (ie) + (W_L+ (i8) + (i8) + (i8) 5 + ... (23) *41. Sea p(A.)=,\n+ü.i-1An-i+a..i-2'.\"- 2 + · · · +a1A.+ao con ªº'a¡, ... , ªn-1
2! 3! 4! 5! números reales. Muestre que si p(z) =O, entonces p(z)= O. Esto es: Las raíces de
Ahora i 2 = i3 = i 4 = 1, i 5 = i, y así sucesivamente. Así, (23) puede un polinomio con coeficientes reales ocurren en pares de conjugados complejos.
escribirse 42. Derive expresiones para cos 40 y sen 40 comparando la fórmula de De Moivre y la
expansión de (cos o+ i sen o)4 •
. 82 i83 84 UJs 43. Demuestre la fórmula de De Moivre por inducción matemática. [Sugerencia:
e 10 = l+ie----+-+-- · · · Recuerde las identidades trigonométricas cos (x +y) cos x cos y- sen x sen y y
2! 3! 4! 5!
sen (x+y)= senxcosy+cosxseny.]
= (i - e22! + 4!e4 - .. ·) + i(e- 033! +es - .. ·) :'=í!

= cos 6 + i sen e
Esto completa la demostración. •

Problemas

En los Problemas del 1 al 5 efectúe la operación indicada.

1. (2-3i)+(7-4i) 2. 3(4+i)-5(-3+6i)
3. (1 + i)(l - i) 4. (2--3i)(4+7i)
5. (- 3+ 2i)(7+ 3i)

En los Problemas del 6 al 15 convierta el número complejo a su polar.

6. Si 7. 5+5i 8. -2-2i 9. 3-3i
10. 11. 3J3+3i 12. 1-J3i 13.
14. 15. -1 J3i

En los Problemas del 16 al 25 convierta de la forma polar a la forma cartesiana.

16. e 3 r.i 17. 2e- 7 "'i 18. ~e3'1Tif4 19.
20. 6e1Ti/6 21. 4e 5 7Ti/6 22. 4e-s'Tl"if 6 23. 3e-
2 113
1T

24 . J3e237ri/4 25. ei
En los Problemas del 26 al 34 calcule el conjugado del número dado.

26. 3-4i 27. 4+6i 28. -3+8i

29. -7i 30. 16 31. 2e"'i!7
32. 4e 3 '11"i/s 33. 3e-4"'i111 34 . eoo12¡

t Aunque no lo probamos aquí, esta expansión en series es válida también cuando x es un núme-
ro complejo.
 spu t s
los
, pro •I s
nume 1m r

Capítulo 1 forma (x, (4x - 10)/6) es un + b2 yi - 2acx 1 + 2abx 1y 1

punto de intersección. 1
Problemas 1.2 2 2
21. (~, fs) 23. Ji3¡13 +a X1) = (a2 + b2) (ax1 +
1. X1 = -; 3 , X2 = -;i; det = -10
25. J61¡5 27. J5 by 1 - c) 2 • Por lo tanto
3. no tiene solución; det O d = lax 1 + by 1 - el
29. Como la pendiente de la
5. X1 = Jf, X2 = -30; det = -2
recta dada L es -
a
b, la
Ja2 + b2 .
7. número infinito de
soluciones; x 2 j x 1, en b 35. Número infinito de
pendiente de LJ. es -. La
donqe x 1 es arbitraria; a soluciones; x = número de
det = O ecuación de la recta L J. tazas; y número de
9. Xi=-1, X2=2; det=-1 perpendicular a L y que platos; las soluciones son
pasa por (x 1, y 1 ) está dada (x, 240 - !x).
11. det =a 2 -b 2 ; si a 2 -b 2 JéO
y - b
(es decir, si aJé ±b), por = - , o bien por 37. 32 refrescos; 128 malteadas.
entonces x 1 = x 2 = c/(a + b). X X1 a
bx - ay = bx 1 - ay 1• El único
Si a 2 -b 2 =0, entonces
punto de intersección de L
a= ±b. Si a i= O y a = b,
y LJ. es Problemas 1.3
entonces hay un número 2
infinito de soluciones dadas
porx2 = c!a-x 1 .Sia=;é:O
y a = -b, entonces no hay
soluciones.
_ (be - abx 1 + a y 1
(xo,Yo)- a2+b2
ac - aby 1 + b2 x 1 )
a2 + b2
,

• Entonces

d es la distancia entre
1. 3. rn
13. det = -2ab; así que hay
una solución única si a y b
son distintos de cero.
(xo, Yo) Y (x 1, Y1 ) y después
de algunas operaciones s{~~) 7.
d2= _ _ 1_
15. a = b
di=O
Oy e* O o bien (a2 + b2)2
x (a 2 c 2 - 2a 2bcy 1 + a 2b 2yf 9. (- ~~) 11. (1, 2, 5, 7)
3 -10
- 2a cxl + 2a 3 bX1Y1
17. no hay punto de + a4 xf + c 2 b2 - 2ab 2 cx 1 13. ( -8, 12, 4, 20)
intersección +a 2 b2 xi 2b 3 cy 1
+ 2ab 3x 1 y 1 + b4 yf} 15. (8, - 5, 7, - 1)
19. Las rectas coinciden. ª2 + b2 2
17. (7, 2, 4, 11)
Cualquier punto de la - - - - (c 2abcy 1
19. ( -11, 9, 18, 18)
430 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR Respuestas a los problemas de número impar 431

a+o{}(f) + Pm3q31 + '· · + Pmkqkl

43. (a) (2, 3, 5, 1) 7 7

(=~ =~ -~~) + Pmlq12 + Pm2q22 + Pm3q32 75. ¿k 1

. 2k = ¿ 2k 3

21. 17.
-7 3 '5 (b) (t) (e) 11
+ · · · + Pmkqk2 + Pm1q13
+ Pm2q23 + Pm3P33 + ...
+ Pmkqk3 77.
k=2

¿
3

aii
k=2

79.
5
L a3k bk2
º) = aa + /la; 19. (=~ =~ -~~) + Pmlqlk + Pm2q2k + Pm3q3k
i=l k= 1

= ª2
ª1 .+o = (ª1)
+ ª2
.. =a -7 7 -3 80,000 45,000 40,000)
..
45 · (a) ( 50 20 10 + · · · + Pmkqkk Problemas 1.6
( .
an +Ü an
25. (j ¡) o 1 (b) (~) (e) Dinero: 255,000;
(los elementos entre paréntesis
son los de un renglón de Q,
cuya suma es 1)
i
= Pm1(q11 + q12 + q13 + · · ·
Nota: Donde haya habido
un número infinito de
soluciones, se presentan
las soluciones con la última
Acciones: 120
+ qlk) + PinzCq21 + q12
Problemas 1.5 47
·
o
(32
-8)
32
49. (
11 38) + q 2 3 + ... + q2k)
variable elegida
arbitrariamente. Las
57 106 + Pm3(q31 + q32 + q33 + · · ·
1. -14 3. 1 5. ac+bd soluciones pueden
o 1 o + q3k) + · · · + Pmk(qu + qk2 presentarse también de otras
25. d 1 + d2 representa la
7.51 9.a=O 11.4 o o + qk3 + ... + qkk) maneras.

CW1 + rxb1)
demanda combinada de las
dos fábricas para cada una
de las cuatro materias
primas que se necesitan
para producir una unidad
13. 28

15. ( 8
-4

19. ( 13
20) 17. (-3
11
35
1
18)
-3)
3
o
o
o
o
o
o
o
o
o
o
o
1
!} = Pm1Cl) + PmzCl) + Pm3(1)
+ .. · + Pmk(l) = l.
57. (a) jugador 2 > jugador 4 >
jugador 1 > jugador 3
(b) puntuación = número
1. (2,-3,1)
3. (3 +h3, ~X3, X3),
arbitrario.
X3

rxa 2 + rxb 2

¡}
= 20 26 20 o o o de juegos que ganó más
de cada producto; 2d 1 5. (-9, 30, 14)
( representa la demanda de la
19 -17 34) o o o la mitad del número de 7. no hay solución.
ªªn + rxbn 21. 8 -12 20 o o o juegos ganados por cada
fábrica 1 para cada una de ( 9. (-h3, h3, X3), X3 es
-8 -11 7 o o o jugador que el jugador
las cuatro materias primas arbitraria
dado haya derrotado.
rxa rxb
que se necesitan para 18 15 35) o o o 11. (-1, ~+:l:x3, X3), X3 es
2
G -~ ~)
j}
ªª1) (ªb1)2 23. 9 21 13 25. (7
.. + ...
16)
= . producir dos unidades de su ( o o o 59. A(B + C) = arbitraria
( producto. 10 9 9 o o o 13. no hay solución
ªªn rxbn
m- ~X4, -1;8+ fJX4,
-~ ~) ~ 1~)
o o o 15. +
27. w=G) 27. (: :) 29. (: : o o o X ( -&x4, X4), es arbitraria

={}"Ú) Problemas 1.4

31. SiD = ª11ª22 - ª12ª21'
o
o
o
o
o
o
o
o
o =
10

(4~ ~~),
1 17. (18-4X4,

19. no hay solución

2X4, -31 +
7 x 4, X4), X4 es arbitraria

= aa + ab;
1. ( ~ 1~)6
-3
3. (-~ 6
-~)
-1
h11
entonces ( b
21
= ( ª22/D
h21)
b
22

-a 12 /D)
o
o o o
o o
!) AB+AC= 24
( 7
14)
17
21. forma escalonada
(por renglones)

-a 2 iJD a 1 ¡/D 11 9041 4519)

90 21 20)
23. forma escalonada reducida

s. G~) U ~~) 7.
33. (a) 3 en el grupo 1, 4 en el
grupo 2, 5 en el grupo 3
53. PQ = 1yo 1yo ~ ;
( 5 5
todos los elementos son no
5
+ ( -6

(451 35)
-1
25.
27.
29.
de ninguna de esas clases
forma escalonada reducida
de ninguna de esas clases
º~)
=
4 10 o 6 (b) 1 o
21 11 o 1
negativos y 16 31. forma escalonada:
ªª1 + f3a1) ( Mi + U + H = + ?lo +
= ªª2 '. f3a2 9. ( 17 22) 11. ( 5 149)' 1 o 2 o 61. 36 63. 9840 (~ -~} forma escalonada
it=!+!+~=l.
( -9 1 -9 35. son ortogonales 65. 1f- + 1i- + 1l = 6 t
68

rxan + flan 55. Sean P = (pii) y Q = (q¡¡) 67. (12 + 22 + 32)(23 + 33 + 43)
(~ ~)
13-c~! ~: =~)
37. son ortogonales matrices de probabilidad de reducida:
= 1386
39. son ortogonales k X k. Sea PQ = C =(e;} 5

ªª
ªª2 1) 1)
. + ..
(/3ª
f3a2 41. todas las ex y (3 que
La suma de los elementos 69. ¿ (- 3l
k=O
71. k 11 k 33. forma escalonada:

~ ~)3
1

(~ -~ -~}
= . en el renglón m de PQ es
( . '
. satisfacen 5ex + 4(3 =
Cml + Cm2 + Cm3 + · · ·
9 ( - l)k+ 1
rxan flan 15. (79 1 25 ((3 = (25 - fo)/4, ex es 73. ¿
-7 arbitraria) + Cmk = Pmlqll + Pm2q21 k=O
 432 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR
Respuestas a los problemas de número impar 433
forma escalonada r~ducida:

º)
5.
*
(~
o [Si a11 = O con j 1, 11. [(A + BY]¡j = (A + B)ii =
o o1 o
~)
1 7. (O, O) aji + bj; = (At);i + (Br)ij.
-2 entonces se elige x como el
( 9. (-4x4, 2x4, 7 X4, X4), X4 27. o -\) vector con 1 en la posición j Por consiguiente, la
o o 1 es arbitraria .3 ...
y cero en cualquier otro componente ij de (A + B) 1
35. forma escalonada: 11. (O, O) 13. (O, O, O) 3 -2 29. Se demostró que el lugar.] Usando nuevamente es igual a la componente ij
=rt 17. (A 1 A 2 · · · Am)- 1 = A,;;- 1A,;;-2 1 resultado en el caso A es de A 1 más la componente

G-~);
15. k el Teorema 6, concluimos
· · · A2 1A¡1 puesto que triangular superior. La que A no es invertible. ij de B 1•
17. La solución más simple a la (A,;;- 1 A,;;-! 1 ... A 2 1A1 1)(A 1 A 2 demostración en el caso
ecuación no homogénea se .. ·Am-1Am) = (A- 1A-21 ... 15. Si A es de m x n, entonces
triangular inferior es 31. cualquier múltiplo no cero
·obtiene aplicando x 2 = O. A 2- l )(AJ- 1 Al) X A m · · ·mAm- lAm de (1, 2)
A 1 es de n x m y AA 1 es de
forma escalonada reducida 2 semejante. Considere el
Entonces la solución general = (A,;;-1A,;;-!1 ... A21) m x m. También, (AA 1Y =
sistema homogéneo. (A 1)1A 1 = AA 1•
es (2, O) + xz(3, l); x 2 es X (A2 · · · Am-1Am) = · · · = J 33. 3 sillas y 2 mesas

GD
(
ª~ ::::~:
arbitraria. 17. Si A es triangular superior y
19. A - 1 = _ _ _l _ __ 35. 4 unidades de A y 5
1 ::: ::: : : ::: ) B A 1, entonces bu
37. x 1 = 30,000 - 5x 3
19. Si x 3 = O, una solución no
homogénea es' (2, O, O) y la
x(
ª11ª22 ª21ª12 unidades de B
a1¡ = O si j > i. En
X2 X3 - 5000
5000 s x 3 s 6000; no
solución general es
(2, 0, 0) + x 3(-t, -j:, l); x 3
ª22 -a12).siA=±I,
-a21 ª11
O
O
O
O
O · · · ªn-1,n-1 ªn-1,n
O O ann 37. A=(~:~~! o.~07 o.i17);
(a)
consecuencia, B es
triangular inferior.
entonces A - 1 = A. Si a 11 = 0.044 0.010 0.216
39. No hay solución única (2 19. (A + BY
A 1 + B1 = -A -
=
es arbitraria. -a22Yª21ª12=1- ai1'
ecuaciones en 3 incógnitas);
si tiene 200 acciones de
McDonald's, entonces 100
acciones de Hilton y 300
acciones de Eastern.
21. Si x 3 = x 4 = O, una
solución no homogénea es
(-1, 4, 0,0) y la solución
general es (-1, 4, O, O)
entonces a 11 a22 - a 21 a 12 =
-aL -
Por tanto,

A-'~(-:::
(1 - af 1 ) = -1.

_:::)
x(5}(!)
xn o
1- A

= (-~:~~~ 0.~93 -0.~17)

.-0.044 -0.010 0.784
B = -(A+ B)
21. (AB)1
2
(-1) BA = BA
= B1A 1 = (-B)(-A) =

+ X3(-3, 4, 1, O) Supóngase que a11 , a22 , ••• , Problemas 1.1 O

41. La forma escalonada de la ann son todos diferentes de
(b) (195492.2207)
+ X4(5, - 7, O, 1) (ª11 ª12) "= A.
= 25932.85859
matriz aumentada que cero. La última ecuación en 1. Si, P 12 .
representa este sistema es
23. (C1Y1 + C2Y2Y' ª21 ª22
el sistema homogéneo es
13580.33966
+ a(x)(c¡ Y1 + C-zYz)' 21. El sistema Bx = O tiene un
* 3. No [se usan dos

~ 1 a/2
%<b-M )
+ h( x )(e v + e y
1 1 2
= C1Y~ + CzY~ + a(x)c1y~
+ a(x)C2Y~ + b(x)C1Y1
2
) número infinito de
soluciones (por el Teorema
annXn = o y, como ann
entonces xn O. La
penúltima ecuación es
O,
39.
(~ f} sí operaciones: P 12 seguida de

o -2a + 3b +e
O l. 7.1). Pero si Bx = O, 2
3
+ b(x)C 2Yz entonces ABx = O. Así, del
5. No [se usan dos
el cual es inconsistente si 41. sí
= c 1 (y~ + a(x)y~ + b(x)y 1 ) operaciones: M 1(3) y M 2(3)]
-2a + 3b +e :;ió: O o bien Teorema 6 (partes [i] y [ii], o
+ ci(y~ + a(x)y~ + b(x)Yz) Y ªn-1,n-1 i=- O, xn =O
c:;ió:2a 3b. =C1·0+c 2 ·0=0, AB es no invertible. implica que x,, _ 1 = O. 7. No [se utilizan dos

(~:;: -~~:
43. ª11a22ª:n+a1 2 a 23 a 31 puesto que y 1 y Y2 son la De manera similar, operaciones: P l3 seguida de
43.
+a ua32a21 solución de (7)
23. concluimos que x 1 x2 Pd
- ªuª22ª31 - ª12a21a33 · · · = Xn-l = Xn = O, de
o
9. Si, An(2)
- a11a12a21 :;ió: O modo que la única o 2
Problem~s 1.8 es su propia inversa (ya que
45. (1.900812947, 4.194110816 solución al sistema 2 11. No [se utilizan dos
- 11.34851834) ' sen 2 e + cos 2 e 1). 45.
homogéneo es la solución o operaciones: y

47. G-~)CJ (~)

1. ( 2 -1)
-3 2 3. (~ ~) 25. Si la i-ésima componente de trivial. Por el Teorema 6 o o
la diagonal es cero, (partes (i) y (ii), A es
5. no invertible o
entonces en la reducción de invertible. Recíprocamente,
Problemas 1.9 13. 4
G -~ -~)(;} (~) (~ o ~:)
renglón de A el renglón i es supóngase una de las
49. cero, de manera que, por lo componentes de la diagonal, -1 o
7. 1.

(~ ~
establecido en el Paso 3(b) por ejemplo a 1¡, es igual a 4 2
G -3

(~)(~'.) CD
9. no invertible de la página 59, A no es cero. Entonces el sistema 15.
-1
51. 11. no invertible invertible. Por otra parte, si homogéneo Ax = O tiene la o
5. o
3 2
_.?.)
3
1
A= diag(at> a 2 , ••. , an)
solución
4 17.
o
1 o
1) 19.
o
entonces o
Problemas 1.1 9
d o o
1. (O, 0) 3. (O, O, O)
2
9
1
3
k-1 -- d'1ag ( -1, -1, ... , -
ª1 ª2
1).
a,,
9. G e
f
21. (~ --~) 23. G
 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR
Respuestas a los problemas de número impar
o 1
25. 27. o o ~) paso clave es reducir A a J
observando que la única vez
y (*) será
identidad es la matriz ( 1) de Ejercicios de
o = + b¡¡a¡~ 1 x l.] No hay inversa
o o 1 que se divide es entre los
a¡r bjjajr
t. (~, 3. no hay solución 37. ; de ninguna de
números de la diagonal, que = ª;r + cajr izquierda. esas clases

~)
1. (-t O,~)
o1 o1
( 5. (O, O, O)
29. son diferentes de cero por Así que cada componente 11. Si A tiene una inversa
9. (ix 3 , x3 ), x3 es arbitraria ·2 3 1

(~ -~); simétrica
-5 o hipótesis. en el renglón j de A uA es derecha, entonces el sistema
11. no hay solución -6

n la suma del componente Ax = b tendría una 39.

(~ ~) (~
n
53. A 1 es triangular superior, así 13. (O, O, O, O) -5
31. correspondiente en el solución para cada 3-vector
33. que (A 1) - 1 es triangular
renglón j de A, y e veces el -1

'~)
b, de acuerdo con el 4
· superior por el resultado del

35.
1
21
o
º) o
1
Problema 52. Pero
= (A- 1 y, así que
componente correspondiente
en el renglón í de A .
Teorema 1. Pero el sistema
tiene solución solamente si
-bl + 20b2 - llb3 = o.
¡5,
16 2
41.
4
2
5
5
3
-8

37. -2o oº)

es triangular
superior, lo cual significa
que A- 1 = [(A- 1 ) 1]1 es
61. G~)(~ ~) Por lo tanto, A no tiene
inversa derecha.
17.
(
-20 10
-36 8
6
simétrica
7

o
o 1
o o
triangular inferior. 63.
~)(~ ~) 13. (a) R1 ~G
4
11 ) 19 (
17 39 41)
14 20 42
43.
G oD -2

(~ -~)
o
º
2
-~) º)
u
o -~,

( 9 10)
55.
o o
39. o 15
-8
65.
o D -3o
o
o
1
21
· 30 32 45. 1
D
41. G~)(~
o o

~)(~ DG
57.
(:J 2
8
1

3
X °)(' -i)
o1 o o
-3
1
23. forma escalonada reducida
25. de ninguna de esas clases
o

3 1 o o
~ G); R,b ~
27. forma escalonada:
47. G:
43.
o
o %
o
2
o
11
o
º)
o
1
o
o
1 °)(
o o o1
-4 o o
-% o
1
o D
Problemas 1.11
(b) R,b

15. R =IR= (LA)R = L(AR)

G~
forma escalonada reducida:
-~}
G~ ~)
Go ~)
o o o o l. (u~ 1 ! : V) Ll = L
(~ ~ -~)
49.
o1 ')(o -~ (i79)
45.
-1 Go 1
Go o
1 o o -D 1- U - V 17. (b) Lb=
(~ ~)( - ~ ~)
(~ 1~) ·, la inversa es
es la inversa derecha 51.
o o o o

~)(~
o

(~
o 29.
~ (-~:)
para cualesquier
47.
o
o
o o
3 o
o
o o
1
o -4 o o oºXº
o o o 1 o
o o 1 o o o
números u y v. No
hay inversa izquierda.
(e) ALb
-~) 11
X(~ ~)(~ -:)
(~ ~)(-! ~)(~ -~)
3. Ni una ni otra 2

49. ( ~ ~)(~ ~)(~ ~} 59. Sean B Au y D

Entonces la kr-ésima 5.
-w +1 -w
# D 31. 1
o
; la inversa es 53.

7
las primeras dos matrices ( -z -z +1 (d) El error es el que se está
componente de D está 55. (a) R 1 =
son elementales porque razonando hacia atrás.
dada por es la inversa izquierda para o
a=l-Oyc=l-0 Hemos mostrado que si
todo w y todo z. No hay
51. Los casos 2 x 2 y 3 x 3 inversa derecha. Ax = b tiene una solución, y
son resultado de los entonces la solución es igual o
Si k =1- }, el renglón k de B
Problemas 49 y 50. En la -2 -2w + 1 a Lb. Sin embargo, 33. 1 ; la inversa es
es el renglón k de la 7.
respuesta al Problema identidad, de modo que +t -2z- ~ sabemos por el Teorema 3 o
1.8.29 se demuestra el
resultado. Otra
bk1 = 1 si l = k, y O en
otro caso cualquiera. Así
es Ja inversa izquierda para
todo w y todo z. No hay
que si A tiene una inversa
izquierda, entonces el
5
6
-2)
-1 34)
10
comprobación puede inversa derecha. sistema no puede ser
dkr = bkkªkr ªkr si k #- j. 1
obtenerse demostrando,
Si k = }, entonces
resuelto para todo b. o
G -D(::H-~}
como en los Problemas 49 y 2
Hemos demostrado y
sil =j 9. Cualquier vector con
50, que A puede ser escrita realmente que Ax = b no 35.
sil= i
~
como el producto de
en cualquier x + 2y + 3z = 1 es una 1
matrices elementales. El otro caso tiene solución si b (- A- está dada en el
inversa derecha. [Aquí la
31 ; X1 *'
= ~, X2 = XC\ =
 436 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR
Respuestas a los problemas de número impar 431
Capítulo g Como otro ejemplo, sean Sea Av el área generada por Entonces, paran = k + 1, por el supuesto de El área A del triángulo es la
Problemas l 1
A= G !) y B =
v 1 y v 2 • Entonces, aplicando inducción (ya que CD
es un mitad del área del
el resultado del Problema determinante de k x k). paralelogramo generado por
l. -10 3. 47 5. 4 7. 56 Para evaluar det @, se
9. 274 ( ~ :} entonces (A+ B) =
16, resulta
resta el primer renglón de
los vectores u 1 y u2 , la cual,
por el resultado del
Av= 1(a11 U11 + ª12 U12)

11.
Sean A =
(11
O~ aO~
o2 o
aO
º)
~
e~ 1 ~), det A= -2,
det B = -2, y
-
X (a21U21
(a11U21
x (a21U11
+ a22U22)
+ a12U22)
+ a22U12)I Xk Xk+ 1
todos los demás renglones: Problema 3.1.16, está dada
por

~' a;,
det(A+B) ... Xk Xk+ 1
= la21ª11U21U11
= -8 i= det A + det B. det@
+ a21ª12U21U12 ..• Xk Xk+ 1
+ a21a11U11U22 (usando la
y ª11 o + a22a12U12U22 Propiedad 3 o o o

J}
- a21a11U21U11 en la primera
ª~ 1

b~2 ~ ~)
15. Sea A = Xk Xk+ 1
- ª22ª11U21U12 columna)
( - a21a12U11U22 o o
b¿1 anl
B = O O b33 O
- ª22ª12U12u22I Ü Ü =X¡.
o o
Entonces, desarrollando = lu11U22 - U12U21I ª1 ª2 - ª1 a3 - ª1
(
o
Ó Ü Ü b~n continuamente en el primer
renglón, se obtiene
X la22a11 -

A 0 ldet A 1
a21a1;1 ai a~ - ai a~ - ai
=
Sumando det CD
y det @
Entonces det A = ª22 o o en donde Au es el área Ü X2 X3 se completa la demostración. ª2 ª1

o = (a 2 + a 1 )(a 2 - a 1)
ª11ª22ª33 • · · a1111 , det B =
detA=a 11
a32
.
a33 generada por u 1 y u 2 , ... xk xk+l CD 31. Si n es impar, det A =
1

b¡¡b22b33 • • · b1111• empleando nuevamente el ••. Xk Xk+ 1

-detA, así que 2 detA O a3 - ª1 1
resultado del Problem'a 16. (a 3 + a 1)(a 3 - a 1)
Xk Xk+ 1 y detA = O.

(
1~11 a33 O o Problemas U X¡ Y1
= (a 2 - a 1 )(a 3 - a 1)
1
o 33. - X2 Y2
x la, ~ a a ~ a 1
AB = O = ª11ª22 a43 a44 2
l. 28 3. 2 5. 32 7. -36 X3 Y3
1 3 1
9. -260 11. -183 13. 24
o o =~1X2-X1 = (a 2 - a 1 )(a 3 a 1)
15. -296 17. -138 -

j)
= ··· = ª11ª22a33 · · · 2 Y2 - Y1 x (a 3 - a 2 )
19. abcde 21. -8 23. 16
O1 Véanse las figuras que siguen:
an _
2
1an - 1,n - 1 25. -16 27. -16
an,n-1 ª"" y
29. Demuestre por inducción:
ª1 ª2
verdadero para n = 2 ya
o que
37. (a) Dn = ai a~

y
17. Sean Xk 1 + Xk+ 1
det AB = (a 11 b 11 )(a 22 b ) (b) Se demuestra esto por
22
X (a 3 3 b 3 3) ... ( ann b nn)
Pero, desarrollando det CD inducción. El resultado es
= (a11a22a33 ... ann) y ª 12 ). Entonces = (1 + X 1)(1 + X2) - X1X2 en su primera columna,
verdadero para n = 3 por
X (b11 b22 b33 · · · bnn) tenemos o
ª22 =l+x 1 +x 2 . el resultado del Problema
= det A det B. 1 + X2 X3 35. Se supone verdadero
Suponiendo que es y
verdadero para n = k .· Esto x2 1 + X3 para n = k. Ahora bien
13. Casi cualquier ejemplo ctetCD =
es,
funcionará. Por ejemplo, (x2-x1. Y2-Y1)

det (~ ~) = 1, pero -- --/

/'
-X¡ ,y3 -y¡)
(~ ~) + det (~ ~)
(X3

det · · · xk 1 + xk+ 1 o a1-1 a~-1 a~- i a~~ i

=O+Oi=l. = 1+ X2 + X3 + ··· + Xk+ t a1 a~ a~ a~+ 1
438 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR
Respuestas a los problemas de número impar
Restamos la primera
a 1 y se le resta del renglón de ªJI en M 1k ), que suprime
columna de cada una de las 13. Se deduce del hecho de que jjj = j(O, l)j ju+ v¡2 = (lul + jvl)2 =
( t + 1), para t = k - 1, la columna correspondiente
otras k columnas: det A 1 = det A. iul 2 + 21ullvl + lvl 2 , lo cual
k - 2, ... , 3, 2 en
a la columna [de A, ·y a¡1 = Jo 2 + 12 = =1
implica que
Dk+1 = sucesión. Esto da
está en la columna l. Por
o Dk+1 = (a2 - a1) tanto, alkAlk= ( -1) 1 +halkail ·
17. lul = (a + c) 2 + (b + d) 2 = a 2 + b2
x (a3 - a1) · · · (ak+ 1 ª1)
ª1 ª2 - ª1 (cofactor de a¡1 en M
+ 2J(a 2 + b2 )(c 2 + d 2 )
1k). = -:fs
ar a~ -ai det A= -28, det A -l + c2 + d2
ª2 a3 ak ªk+
3. Desarrolle 1 A 1 respecto a su 17. no tiene inversa si a es
1 y, después de multiplicar y
a1-1 a~-1 - a1-1 a~ a~ af columna k. Un término es cualquier número real
af+ 1 eliminar términos
a1 a~ - a1 X aik A¡k y ésta es la única
semejantes, resulta ac + bd =
k-1
ª2 a;-1 k-1
ak
k-1
ªk+ 1
aparición de ªu en el Problemas ~.5
ª2
--+--=l.
b2
J a2c2 + a2d2 + b2c2 + b2d2.
o desarrollo de 1 A ¡. Ahora ª2 + b2 ª2 + b2
a~a; aZ aZ+1
ªk+1-a1 Aik = ( --1y+k IMik ¡, 1. X¡ = -5, X2 = 3 De modo que, elevando al
k+l k+l
y si esto se desarrolla en la Dirección de 1 u 1 cuadrado ambos miembros
af + 1 - af = TI (aj -
j=2
a 1) TI (aj -
i=2
a¡)
columna l (para l =I= k), el
3. X1 = 2, X2 = 5, X3 = -3
b y de nuevo cancelando
k-1 k-1 k-1 J>i único término en el 5. X1 =~, X2 = -H, X3 =H términos semejantes, queda
ak ª1 ªk+l - ª1k-1
aZ - a1
(de la hipótesis de inducción desarrollo que contiene a aJI 7. X1 =t X2 X3 tan- 1 2abcd = a 2 d 2 + b2 c 2, o bien
aZ+ 1 a1 a 2 2
ya que el último es a11 · (cofactor de a11 en 9. X1 = ~' X2 = 1;91, X3 = (ad - bc) = a d 2 -- 2abcd +
determinante es M¡k) por la misma razón X4=-29
182 2 2
b c = Ode modo que ad
k+ 1
que en el Problema 1. Así, be. Si d =I= O, entonces
k x k) = TI (aj -
(~) =
a¡);
la única aparición de ªu ªJI es b b
i= 1 Ejercicios de repaso • Capítulo ~ tan - 1 dirección de a = d e, b = d d, y 1u1 =
j>i (-l) 1 +kaikªJ1 · (cofactor de
a~-1 -
l~llvl. Entonces lb: ªllvl=
a1-1 a;-1 a1-1 esto completa la demostración. ª11 en M¡k). 1. -4 3. 24 5. 60 7. 34
19. (1/.J2)i- (1/.J2)j
a~ - a1
(-~ ~)
a; - a1 5. -6
39.(a)A'~(~ ~}k~2 9. 21. (1/.J2)i+ (1/.J2)j si a> O;
ªk+! - ª1
7. EB es la matriz obtenida 11

11. no es invertible
11
-(1/.J2)i- (lf .J2)j si a <O 1? : d (e, d) 1= 1(~ e + e,
multiplicando por e el
~ G~ D; ~ 23. sen e = -3/JI3,
af + 1 - af
(b) A
3
k 3 renglón i de B y sumándolo 1
o cose= 21JI3 ~d + d)I = j(a+c,b+d)I =
-~)
TI

e
al renglón j. Por la
.. . az-
1
a1- 1 at ~ i ·_ a1- 1 o 25. -(1/.J2)i-(1/.J2)j
aZ - a1 aZ + 1 - a1
41. det A 2 det A det A =
=
Propiedad 7,
13. ~ 3
o
11
2
-TI
27. ~i-~j ju+ vi= lul + lvl = l~vl +
detA. Si detA =1= O, det EB = det B = 11 TI
29. (a) (1/.J2)i- (1/.J2)j
lvl ~ m1+1)1v1 =
1 1 1 1
Ahora a~ - a1 = (a 2 - a 1 ) x entonces det A = 1. La TI TI -2 TI
1 det B = det E det B, (b) (7 ;Jl93)i-(12/Ji93)j
(a~-l + a~- 2 a 1 + a~- 3 af + ...
1
respuesta es O o bien 1. 15. X1 X2 =1
+ a~a1-3 + ª2ª1-2 + a1-1), puesto que, de (16), det E= L (c) -(2/ill)i+ (7 ;ill)j
ibl + ldl lvl. Por lo tanto
y a~- 1 a1-1 = (a2 ª1) x 17. x,=tx2=~,x:i=
(a~ - + a~ - 3 a i + ...
2 Problemas ~.3
31. PQ es una representación de ldl
(e + a - e)i + (d + b - d) j =
+ a~a1-4 + ª2ª1-3 + a1-2). Problemas U
Capítulo 3 lb: di = lbl + ldl
ai + bj. Por e<;nsiguiente,

e: -n
Nótese que si los términos 1. a 1k A lk es el único término
PQ y (a, b) son
(~ ~)
en el segundo factor de la
del desarrollo en la primera 1. Problemas 3.1 de manera que lb+ di=
3. representaciones del mismo
última expresión se columna de A que contiene lbl + ldl. Como by d son
la componente a 1k. Pero 1. lvl = e = 1T/4 vector.

(~' o ])
1 1
multiplican por a 1 , y luego -;¡: números reales, esto implica
se restan del segundo factor alkAlk = alk(-1) +k1Mlkl·1 5. 1
4
3. lvl = 4.J2, e= 71f'/4 33. 4i + 4v'3j 35. - 3i + que b y d tienen el mismo
de a~ - a1, solamente queda 5. lvl = 2, e = 1T/6 b ..
Si se desarrolla 1M1k1 37. (i) Supóngase que u = av, signo y así es positivo.
el término a~ - 1 • De esta lvl = 2, e= 21T/3 d
manera, (i) se desarrolla el
respecto a su columna l
para l =I= k, el término en el
e~ -2
1
-1)
-1
7.
9. lvl = 2, e = 41T/3
en donde a > O. Entonces
jU + V1 = l XV + V1 = j(IX + Consecuentemente si a =
último determinante
obtenido anteriormente en
desarrollo toma la forma a¡1
7.
1 11. lvl = ../89,
l)vl = llX + 11 lvl = (IX+ l)JvJ
(puesto que IX + 1 > O) = l~I =~'entonces u = av.

el primer renglón, (ii) se

(cofactor de a¡1 en M 1k)· 9. no es invertible e = 1T +tan- (-~) = 2.13 1
1Xlvl + lvl = l1Xvl + lvl =
Pero esta es la única (en el segundo cuadrante) Si d = O, entonces e -f. OY
lul + lvl.

e
1
factoriza a1_ 1 - a 1 en 3 -3
u = ~ v por el
-¡)
aparición de a¡1 en el 13. (a) (6, 9) (b) (-3, 7) (ii) Recíprocamente,
la columna j -¡¡
1
-¡¡
4
e
desarrollo de M 1k, puesto 11. _; (c) (-7, 1) (d) (39, --22) considérese que
para 1 ::::; j ::::; k, y (fü) se 1 razonamiento anterior, en
que los otros términos u = (a, b), v = (e, d), y
multiplica el renglón t por 5
9
15. lil = j(l, O)I
ju+ vi= lul + lvl. Entonces a
tienen la forma a11 (cofactor -3 2
3 donde - > O. Por
= )1 2 +0 2 =JI=1; u + v = (a + e, b + d), Y e
 440 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR
Respuestas a los problemas de número impar
consiguiente, u es un
~ (d)b e~ (~)a 1
De igual manera AA = J.
múltiplo escalar positivo de d Y Consecuentemente A es PQ 2 = PR 2 + RQ 2 (ii) v = a2 i + b2 j + c 2 k. Entonces tercer vector, w, sobre
v. U X V= (b1C2 - C1b2)i +- U X V. h = [ProYuxvWI =
invertible y A - 1 = A 1• • Así que, combinando (i) y
de manera que v = (~)u. (ii), resulta
(c1a2 - a 1c 2)j +
(a 1 b 2 b 1 a 2 )k de manera que
w ·(u x v)
- - - - · · volumen =
Problemas U VI '
Problemas 3.3 lu x = (b 1 c 2 X
Si a = O, entonces b =-!=- Oy PQ = PS 2
2
+ SR 2 + RQ 2 (iii)
(c 1a 2 - a1c 2)2 +
w ·(u x v)
1. O; O 3. O; O 5. 20; ~ (h)(base)= 1uxv1 ==
d 1. J40 3. 6 (a 1b2 b1a 2 ) 2 = lu X V
7. -22; -22/Sill 11. paralelos V=¡;º· Puesto que las coordenadas
5. 3; -1, ü, ü x y z de P y S son iguales, 2b1C2C1b2 + ctb~ +
9. u • v = cxf3 f3cx = O 2c 1 a 2 a 1 c2 + aid
37. E,a recta ax + by + e = O 7. JS; 1!J5, O,
13. ni una ni otra cosa a p52 (Y2 Y1)2 (iv) 2a 1 b2 b 1 a2 + bia~. Esto
9• ./3, 1/./3,
15. ortogonales tiene pendiente - ¡;. Un Análogamente,
equivale a lul 2 lvl 2 - (u· de otra man
11. 1/./3, (ai + bf + d)(a~ + b~ + cD
17. (a) (b) j (e) ~ vector paralelo a la recta es 2 2 39. 23
13. ./3, RS = (x 2 - x 1) (v) - (a 1 a 2 + b 1 b 2 + c 1 c 2 )2.
(d) (-96±'.J7500)/78 a 41.
= -0.12, -2.34 u = i -¡;j, y 15. J78; 21J78, 5/J78, y RQ 2
(z 2 z1) 2
(vi) 33. Sean u= + b 1 + c 1 k,
19. Si u y v. tienen direcciones
-7/ffs V=a 2 i + Y
a Por lo tanto, usando (iv),
opuestas, entonces = eu ev + u·v= 1·a--.b=O
b . 11. m; -21m, -31m, w = a3i + +
(v) y (vi) en (iii) da Entonces
n . .En consecuencia, -41m
cos eu = cos(ev + = n) 39. 52/5./i13 = 0.9783; 19. 4.fj¡ + 4./3j + 4J3k PQ2 = (x2 - (uxv)·w
-cos ev. Esto implica que 61/J34JITI = 0.9841;
21. (l/J26)i- (3/Y'26)j + (Y2 - Y1) 2 = [(b1 C2 - C¡ b2)i
1
-27/554= -0.9261 +(z2-Z¡)2 + (e¡ ª2 - ª1 C2)j
cos eu = ~ = - --- + (4/Y'26)k + (a 1 b2 - b 1 a 2 )k]
41. Si a 1 = a2 = O o bien b 1 41. (i) Si v = au, entonces
b 2 = O, ambos miembros 23. R = (-3, y, z), y, z ·[a3Í + b3 j + C3k] escribirse como una suma
-cos ev, o bien de la desigualdad son arbitrarios; este conjunto de u·v
cos<jJ = - - = = ±l. = b1c 2 a 3 - c 1b2 a 3 de dos determinantes cuyas
iguales a cero. Si por lo puntos constituye un plano 1ullv1 1ex1 + C¡a2b3 - a1C2b3 columnas (o renglones) son
< O, lo cual es imposible paralelo al plano yz. Si u y v son paralelos, + a1b2C3 - b1a2C3 idénticas, excepto por la i-
menos uno de a 1 y a 2 =-!=- O Y
lvl ~O.
dado que
21. ~¡ + ~j 23. o 25. --fJi + ÍJj
al menos uno de b 1 y b2 * 25.1~1=leos4>1:::;; 1. Por lo
entonces y
u·(vxw)
ésima columna (o renglón).
El primer determinante
O, sean u= a 1 i + a 2 j, v = lullvl U
+-
V
y as1
,

27. [(a+ {3)/2Ji+ [(a+ {3)/2Jj
29. [(a - {3)/2Ji +[(a
31. ª1ª2 + b1b2 "2:: o
33. :Hi+m;
b1 i + b2 j. Entonces tanto 1u · v 1 :::;; 1u11v1. Entonces lul - lvl = [a 1 i + b 1 j + c 1 k] contiene uno de los
·[(b 2 c 3 - c 2 b 3 )i elementos del par, en tanto
u i= O, V i= O, 1u11V1 i= O, lvl
{3)/2Jj 1u + v 2 = (u + v) ·(u + v)
1
V = ± U U = CXU. + (c2a3 - a2c3)j que el otro miembro de
y 1~1
lullvl
=leos e/JI:::;; l. + 2u · v + lvl 2 1 1

(ii) Si u · v = O, entonces
+ (a 2 b 3 - h 2 a 3 )k] cada par de elementos de la
: :; + 2lul lvl n
= a1b2C3 a1C2b3 i-ésima columna (o renglón)
-~i+~j = = l . Si + b 1 c2 a 3
b 1a 2 c3
-
+ lvl2 cos <P O y <P aparece en el segundo
35. (i) Si u a v, entonces + c 1 a 2 b3 c 1 b 2 a 3
= (iul + lvi)2. re 35. Si u y v son paralelos y
determinante. Nótese
u·v cxv·v cx!vl 2 ,lul= <P = , entonces también que el volumen
27. -6j + 9k 29. 8i- 14j + 9k 2 ninguno es O, entonces
!al lvl 2 de modo que generado por u, v, w está
La igualdad se verifica u . V = 1u11V1 cos e/> = O. v = tu para una constante
31. l 6i+ 2 9j + 4 2k 33. J59 dado por
cos cp = cuando 1 cos <P 1 1, lo cual t. Entonces, si u =
es cierto si y sólo si u y v
35. cos- 1 (35/mJ59) Problemas 3.4
ex =cos- 1 (0.8461) ai + bj + ck. U¡
= +l. son paralelos.
la! - = 0.5621 1. -6i-3j 3. -i-j+k Volumen= v1
~ ! k
(ii) Supóngase que u y v son
43. J5 = 32.21°
5. 12i+8j 21k UXV=
. .
C
1
: W1
37. Sea
paralelos. Entonces, si u = 45. Sea A = ( ª1 b1) . Entonces 7. (bc-ad)j 1 ta th te
(a, b) y v (e, d), se tiene ª2 b2 39. Como los segmentos de 9. -5i-j+7k 11. o O por la Propiedad 6 en ª12 ª13)
cos 2 cp =
ju.
A =
1

b1
(ª 1
ªb2 2
). Sean u (a¡,
recta PS y SR son
perpendiculares (en la
13. 42i +6j
15. -9i+ 39j +61k
la página 107.

37. El volumen de un
ª22
a32
ª23
a33
'

Figura 3. 28), el triángulo u 1 = Au, v 1 =Av, w 1 = Aw.

+ bd)
(ac 2 a2) Y v (b 1, b 2). Entonces
u . V = O, 1u 1 = 1 y 1 V 1 = 1. PSR es un triángulo 17. -4i+8k 19. o paralelepípedo se obtiene Por consiguiente
(a2 + + d1) A 1A = rectángulo y 21. ±[-(9/Jl81)i-(6/Jl81)j multiplicando la base por la
Multiplicando y + (8¡./18TJk] altura. La magnitud de u x
ai + bf + SR 2
(i) v es el área de la base: Su
simplificando, obtenemos ( 23. J30;J6-!29 = 0.415
O a 2d 2 - 2abcd + b 2c 2. ª2ª1 + dirección es perpendicular a
PRQ es también un 25. 27.
(~ ~)·
Por tanto ad = be. Si a =t- IJ!• la base. La altura se mide
ángulo rectángulo de Ja2b 2 +a 2 c 2 + b 2 c 2
o, entonces •V =
que
29. a lo largo de u x v. La
31. Sean u= a 1i + b¡j + c 1 k y altura h es la proyección del
 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR Respuestas a los problemas de número impar

U3V3W2 U¡V¡Wz + U¡VzW¡, 15. El vector v 1 = a 1i + b¡j + 55. cos- 1 (9/J3J29) 55. i-14j+20k O + ( -- x') (ya que -x es un
U¡V3W1 U¡V¡W3 - U2VzW3 c 1k es paralelo a L 1, en . = cos- 1 (0.9649) 57. 59. 22 inverso aditivo de x') =
Uz V3 Wz)(*) tanto que el vector V2 =· a21 =0.2657 61. cos- 1 (-9/J798) -x'. En consecuencia, -x =
(u · w)v = (u 1 w 1 + u 2 w 2 + + b:z.i + c 2k es paralelo a = 15.23º = 1.895=108.6º -x' y el inverso aditivo es
y U 3 W 3 )(V 1 ' V 2 ' V 3) (U 1 V 1 W 1 + L 2 • De modo que L 1 L1 57. 'cos- 1 l20/J294J6i 63. -7i-7k único.
W1= U2V¡W2 + U3V¡W3, U1V2W¡ + si V 1 J_ V2 o bien V 1 • V2 = cos- 1 (~)
+ U3V2W3, U¡V3W¡ 65. -26i-8j +7k 25. Sean y 1 y Yz soluciones de la
+ a 1 2 w 2 + a 13w3)
U2VzW2
O. Pero v 1 ·v 2 ll1ll2
= 1.074
1w1
U2 V3 Wz + U3 V3 W3) b 1b2 + C¡Cz. = 61.56º 67. v12065 ecuación. Entonces
+ ª22W2 + a23W3 -(u· v)w = -(u 1 v 1 + 69. = ( -4i+ j) y'{ + a(x)y~ + b(x)y 1 (x) =O
+ a32W2 + a33W3 + U3W3)(W¡, W2, W3) =
59. n = v x w es ortogonal a
U2.V2
17. 3i + 6j + 9k = 3(i + 2j
+ 3k) v y a w. Si u· (v x w) =O,
+ t(7i-j +7k); y
X = -4 + 7 t, y = 1 - t,
(-U¡V¡W¡ - UzVzW¡ -
Por el Problema 36, el por lo que son paralelos los entonces u 1- n , lo que
volumen generado por u 1, U3V3W¡, -U¡V¡Wz - U2L'2W2 -
vectores de dirección de las z =7t; y~ + a(x)y~ + b(x)yz(x) = O
U3V3Wz, U¡V¡W3 - significa que u está en el (x+4)/7 = (y-1)/(-1) = z/7
v 1, w 1 es: rectas. Obsérvese que no De modo que
Uz Vz W3 - U3 V3 W3). plano determinado por v y
V= coinciden puesto que, por 71. CJR=i-2j-3k
Si se suman los últimos dos w.
ll11U1 + a12U2 + ll13U3 ejemplo, el punto + t(5i-3j+2k); (Y1 + Ji)" + a(x)(Y1 + Y2)'
vectores, obtenemos el (1, -3, -3) está en L 1 pero 61. coplanare:;; 29x -y+ llz =O X = 1 + 5 t, y = -2 - 3 t, + b(x)(Y1 + Yz)
ll¡¡V¡ +a12V2+a13V3
vector (*). 63. no coplanares; u· (vxw) = z=-3+2t;
l a 11 w1 +a 12 w 2 +a 13 w 3 no en L 2 • + [y'{ + a(x)y'1
-9. (x - 1)/5 =(y+ 2)/(-3)
a 21u1 + ª'22 u2 + a 2 3 u 3 19. Si hubieran tenido un punto = (z +3)/2 + b(x)y 1 ]
Problemas 3.5
X ll21V¡ + ll22V2 + ll23V3 en común, entonces de repaso • Capítulo 3. 73. 75. X + Z = -1 + [y~+ a(x)y~
En las respuestas a los
llz¡W¡ + ll22W2 + ll23W3 + b(x)y 2 ]
Problemas del 1 al 5 suponemos 2 t = 1+s 77. 2x-3y+5z=l9
I 1. lvl = O= Tr/4
ll3¡U¡+a32U2+a33U3
que el primer punto es P y que 79. X = ~- ~t, y = Z = t =0+0=0
+ ll32V2 + ll33V3 1+ t = -2s 3. lvl = 4, O= 5Tr/3
X ll31V1
el segundo punto es Q. Las 81. 1-~t, y= -4-~t, =t
y así y 1+ y 2 es una
a 31 w 1 a 32 w 2 a 33 w 3 ecuaciones vectoriales son de la -2t = 3 + 2s 5. lvl = e= 57r/4 X= Z
solución. De manera
83. cos- 1 l-1/J2071
Desarrollando se puede forma QR = QP + tv. Sólo v 7. 2i+2j 9. 4i+2j semejante (ay 1 )" + a(x)(ay'1 ) +
= cos- 1/J207
1

verificar que se proporciona en las respuestas. La solución única de las dos 11. (a) (10, 5), (b) (5, -3), b(x)(ay) = a[y'{ + a(x)y'1 +
prímeras de estas ecuaciones = 1.501=86.01 o b(x)y 1 J =a· O= O.
(e) (-31, 12)
11 12 l. V = -i + j - 4k; es s = -2, t = 3; pero este
a a a1311 U1 U2 U3.I
X= 2 t, 13. (1/J2)j así que ay 1 también es una
V= ª21 ª22 ª23 V¡ Vz V3
par no satisface la tercera solución. Por lo tanto son
a3¡ ll32 ll33 W¡ W2 W3
y= 1 +t, 15. (2/J29)i +
z = 3 4t; ecuación. válidas las reglas de
= (det A )(volumen 17. Problemas U cerradura. Como -y 1
(x 2)/(---1) = y- 1 21. (a) (Ji86/3)(t=*)
generado por u, v, w), si =(z 3)/(-4) 19. (-l)y, también es una
(b) J -" 18;11 = v1138/il, l. sí
det A' ;::::: O, de otro modo y si solución, se tiene el inverso
3. v=-j 2k; X =-4, (t - J a<O 3. no, (iv); también (vi) no se
utilice -det A. aditivo. Los otros axiomas
y= 1- t, z = 3-2t; (c) ./. ~~/6 = verifica si a < O
43. Sean u = (u 1 , z1 2, 11 3), X= -4 y Z = 1+2y (t ---:J 21. -(5/J29)i-(2/J29)j se deducen fácilmente.
5. sí 7. sí
V= (V1, V2, V3) Y
5. 2i-2k; X= 1 +2t, 23. -(10/JI49)i + (7 ;Jl49)j
V 23. (x +4)/26 (y 7)/1 9. no (i), (iii), (iv), (vi) no se
w = (w 1, w2 , w3 ). Entonces y= 2, z3-2t; 25. j 27.
(t - 3)/37 29. O; O cumplen Problemas 4.3
k y=2 y x=4 z
25. (x-4)/(-4)=(y 6)/16=z/24 31. -14, 11. sí 13. sí
V X W 1. no; porque a(x, y) E H si
En los Problemas del 7 al 27. 3 29. y O (plano xz) 33. no son de ninguna de esas 15. no; (i), (iii), (iv), (vi) no se a<O
IV¡ Wz W3 11 ya está dado v. clases
31. x+y=3 33. y+z=5 cumplen
=(VzW3-V3Wz, 7. X = 2 2 t, y 2 -- t, 3. sí 5. sí 7. sí
35. -3x-4y+z=45 35. paralelos 17. sí 19. sí
V3W¡ --V¡W3, z 1 t; 9. sí 11. sí 13. sí
(x - 2)/2 =(y 2)/(-1) 37. 2x -7y-8z -20 37. paralelos 39. 7i + 7j 21. Supóngase que O y O' son
V¡Wz VzW¡); 15. no; el polinomio cero
= (z -1)/(-1) 41. 43. identidades aditivas.
39. -12x 2ly+22z=63 éH
9.x=-1,y -2-3t, Entonces, por la definición
41. 2x +y 7 43. coincidentes 45. ProyRSPQ = 17. no; la función f(x)=ÜÉ V
u x (v x w) u1 z=5+7t;x=-1 y Proy~RS= de identidad aditiva O = O
7y + 3z 1 45. no son de ninguna de esas + O' y O' = O' + O = O + 19. sí
V2 W3 V3 tt'z
clases 47. J216 O'. Por tanto, O O'.
k 11. x a dt, y =b+et, =e; 21. (a) SiA 1 A 2 E H 1 , entonces
47. (x,y,z)=(-1,-3,0) 49. Jl30; O, 3/JUO,
(x-a)/d=(y-b)/e y z e (A1 + A2)11 = (A1)11 +
+t(L 2. 1) 23. Sean -x y -x' inversos
U2 U3
13.v 3i+6j 2k;x 4 3t, (A2)11 = O + O= O, y
¡'. 3 \:V¡ u1 w 3 V¡IV2 - VzW¡ 49. (x, y, z) = (-11/4, 3/2, O) aditivos de x'. Entonces - x = ( aA 1 ) 11 = ix( A 1 ) 1 1 = aO = O
y 1+6t, z -6+2t; + t(9, 16, 2) 51.
= (- + + - x + O = - x + [ x' + ( - x')] de modo que H 1 es un
U 3 V3 W ¡ U 3 V¡ H' 3 (x 4)/3 (y 1)/6
53. = (-x+x') + (-x') (por ii) = subespacio. Si A1, A2 E Hz,
U2 V 1W 2 - U 2 V 2 IV¡, U 3 V 2 Wi = (:¿ 6)/2 51. 13/J69 53. 19/55
444 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR Respuestas a los problemas de número impar 445
b(ay1)+c(az1) + d(awí) = a(ax 1 o bien entonces números c 1, c 2 , dos polinomios en P 2 • Sea contradicción. Simplemente
by 1 + cz 1 + dw 1 ) = a.O= Ü ... , en no todos diferentes r(x) = c 0 + c 1 x + c 2 x 2 un fórmese una combinación
por lo que au E H. de cero tales que (*) se tercer polinomio en P 2 • Si lineal de los vectores en T,
Consecuentemente H es un verifica. p y q generan P 2 , entonces usando e¡ siempre que V; ES
subespacio. Dado que det A =f. O, este existen escalares a y (3 tales y O en otro caso.
sistema tiene la solución 29. SiO = c 1 v 1 + c 2 v 2 + ···
27. Sean x, y E ·H. Entonces que r = ap + {Jq; es decir,
A1 + A2 + ckvk, entonces O= c 1 v 1 + Exprese las matrices como
X= U1 +V¡ y y= Uz + Vz en
c 2 v2 + · · · + ckvk + Ovk+ 1 + Co = ªªo + f3bo A<l), A(2), ... , A(mn+ ll.
= (-(b1 + b2 ) (a 1 + a 2 )) donde u 1 , y u 2 E H 1 Ovk+2 + · · · + Ovn. Como v1 ,
(a1 + a 2) (b 1 + b2) v 1 ~ v 2 E H 2 . Entonces x + C¡ = aa¡ + f3b1 Supóngase que A<il = (a)~).
Por consiguiente v E H, lo V2, .•. , Vn son independientes,
= (u 1 + v 1) + (u 2 + v2) = Considere el sistema
cual muestra que IR 2 e H. tenemos que c 1 = c 2 = · · · = +
d e
d) EH 2
+ u2 ) + (v 1 + v2 ). Como
Pero como He IR 2 , ck =O.
Cz = <Xa2 /Jb2
a\11cx 1 + a\2ícx 2 + · · ·
H 1 y H 2 son subespacios, Este sistema
y de. esta manera H 2 es tenemos que 31. Sic 1 v1 + c 2 v2 + c 3 v 3 =O,
U1+U 2 EH 1 yv 1 +v 2 EH 2 "sobredeterminado" de 3 a;,:ja.1 + a;;jcx 2 + · · ·
también un subespacio. H = IR 2 . entonces O= O· v 1 = (c 1 v 1 +
de modo que x + y E H. ecuaciones en 2 incógnitas
(b)H H 1 nH 2 = Similarmente, ax = cx(u 1 +
Cz Vz + C3 V3)- V1 = C1(V1. V1) + tendrá solución si y sólo si + 1
a1T+ >rxmn+1 =o
+ C3(V3 · V1) =
A~(~ ~) au 1 + a.V 1 · . Problemas 4.4 Cz(V2 · V1)
la tercera ecuación es una
{AEM22
V l)
C¡V1 ·V1 + CzÜ + C3Ü =
Pero cxu 1 E H 1 y cxv 1 E H 2 1. independiente c 1 v 1 · v 1 . Dado que v 1 #O, combinación lineal de las + a~n+ 1 =O
así que cxx E H y H es un
para algún escalar a}. Si A1' subespacio.
3. dependiente; v 1 · v 1 #O así que debe
tenerse que c 1 = O. Una
dos primeras. Puesto que
c0 , c 1 y c2 son arbitrarias,
Este es un sistema
homogéneo con ecuaciones
determinación similar rara vez éste será el caso. mn y mn + 1 incógnitas.
E H, entonces 29. Sean v 1 (;:) y v2 = Por ello p y q no pueden
muestra que c 2 = c 3 = O. Consecuentemente tiene una
v1 no es un múltiplo de v 2 generar P 2 • Para ver esto de solución diferente de cero y
puesto que los vectores no 5. dependiente (por el Teorema otra manera, supóngase que existen escalares a 1, a 2 ; . . . ,
son colineales. 2) ªmn + 1 no todos nulos tales
(;) es una solución del
Sea A = (x 1

Y1 Y2
2
x ). Entonces
7. independiente
9. independiente sistema. Entonces
que a. 1A< 1 > +
+ CXmn+ ¡Ámn+ 1 = Ü
+ ···

(la matriz cero de m x n ).

det A= X 1 Yz - x 2 y 1 . Si u. independiente
det A = O, entonces x 1y 2 13. independiente 47. Supóngase que 1, x, ... , xk
x 2y 1 o bien x¡lx2 = y 1/y 2 son linealmente
15. independiente
(si x2 = O o bien y 2 = O, se independientes. Considere
17. dependiente
puede deducir una que c 0 + c 1 x + · · · + +
conclusión semejante). Sea 19. independiente
ck+ 1 xk+ 1 =O. Sick+ 1 #O,
e = x¡lx2 = Y2ly 2. 21. independiente
23. Si x 1, x2 E H, entonces
Entonces x 1 = cx2 y y 1 = 23. ad
entonces xk+ 1 = - ~-
be =O 25. a=
A (x 1 x 2) = Ax 1 + En general estas dos Ck+ 1
cy 2 , de forma que v 1 = cv 2 27. El sistema (7) puede
+ O = O de lo cual contradice lo
C1 x - ... - ck xk
expresarse como expresiones para no
manera que x 1 + x2 E H. Ck+ 1 Ck+ 1 '
establecido anteriormente.
Así mismo, A(ax 1 ) = serán iguales, lo que lo cual es evidentemente
En consecuencia det A =!=- O.
aAx 1 = aO O de forma significa que, por lo imposible. Por ello ck+ 1
(*)
que ax 1 E H y Hes un Sea v = (;) cualquier otro 39. Cualquier u diferente de general, el sistema no tiene O. Pero entonces +
subespacio. cero conduciría a un solución. c 1x + · · · + O, lo
2
vector en IR . Deseamos
resultado semejante. Por cual implica que c0 = c 1
25. Sean u = (x 1, y 1 , w 1) y hallar escalares a y b tales 43. Sea S = ... , vk} un
ejemplo, sea u = (1, O, O). · · · = ck O dado que ,
v=(x 2 ,y 2 , EH. que = av 1 + bv 2 , o bien subconjunto del conjunto
Entonces u + v = + Entonces x = (O, 1, O) y x, x 2, ... , xk son
linealme11te mc1e¡:)ertd1 en1te
(;) =a(;:) + b(;:)
1

Y1 Yz,Z1-t-Zz,W1+ Y y = (O, O, 1) están en linealmente mc1e¡::>enaH:::mes.

T = {v 1 , v2 , ... , con
a(x 1 + x 2 ) + b(y1 + Y2) + H. X y ( L O, O) = u. Por tanto 1, x, x 2 , . . . , xk,
k < n. Supóngase que S es
c(z 1 z 2 ) + d(w 1 + w 2 ) = (e) H es el plano ortogonal xk+ 1 también son
(ax 1 + by 1 + cz 1 + dw¡) + ax 1 + bx 2) Si (7) tiene incluso una a u en tanto que w es dependiente. Entonces
linealmente independientes,
(ax 2 + by 2 + cz 2 + dw 2) = = ( ay 1 + bYz solución no trivial, entonces ortogonal a este plano y por existen escalares diferentes
y esto completa la
O + O = O de modo que es decir las columnas de A son tanto debe ser paralelo a u. de cero con e 1 v 1 +
demostración por inducción
u V EH. linealmente dependientes. Si c 2 v 2 + .. · + ck vk =O.
(véase el Apéndice 1).
En forma análoga, cm
ay 1 , az 1 , aw 1 ) y a(ax 1 )+
(ax 1 ,
::)(~) = las columnas de A son
dependientes, existen
41. Sean p(x) = a0 + a 1 x +
y q(x) = b0 + b 1 x +
Esto indica que Tes
dependiente, lo cual es una 49. Existen escalares a 1 , a 2 ,
446 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR
Respuestas a los problemas de número impar 447
... , an no todos nulos tales Problemas 4.5 v 1 = (x¡, y¡, zi). Entonces
que ª2 V2 + · · · + cualquier vector v =
así que u¡ E solución no trivial para k = m + 1, m + 2, ... , n.
l. Si gen {v 1 , v2 , ... , vn}para j = Puesto que
ª"v" = O. (x, y, z) en gen {v¡, v2} .puede
3. No; por ejemplo 1, 2, ... , n. Puesto que se
Sea k el mayor entero para

j::: ::: ::: :::)-=/=o,

expresarse como
dio que v; E
(x, y, z) = ((a + f3c)x 1 ,
(~) rj espacio generado de los
el cual o:.k =F O ( k puede ser
(a+ f3c)y 1 , (a+ f3c)z 1), o bien g~n{q 1 , u~, ... , un},
igual a n ). Entonces la

~''
concluimos que los espacios
ecuación queda a 1 v 1 +
tres vectores (cada uno es x = (a + /Jc)x 1 generados son iguales.
a2V2 + ... + akvk =O a,, ª"
de forma que l]lúltiplo de G) y = (a
z =(a+ /Jc)z 1
+ f3c)y 1
25. G} CD· G) (Hay
Lo anterior significa que
v; ·a = O para i = 1, 2, ... , el conjunto {v 1 , v2 , ... , v"}
forma _una base para V ya
n. En particular, si
5. sí 7. sí que consiste en n vectores
lo cual, de la Sección 35, es Vn = (x 1' X2, · · · , Xn), entonces
9. no; por ejemplo, muchas opciones para el linealmente independientes
la ecuación de una recta vn. a = O, o bien a1X1 + a2X2
xé gen {1-x,3-x 2} tercer vector.) en V con dim V = n.
que pasa por (O, O, O) con + ·· · + a11 x 11 =O.
11. sí 13. sí dirección (x1, Y1, z1). Dado que vn era un vector
51. Supóngase que f y g son 29. Si los vectores son
15. Sea P;(x) = a0 ; + alix + · · · +
Problemas U arbitrario en H, esto prueba
21. Sea v E V. Entonces existen independientes, entonces
dependientes. Entonces g a11 ¡X" para i = 1, 2, ... , n el resultado.
cf y g' = cf' para alguna
escalares a¡, a 2 , . .• , ª"tales que 1. no; no genera espacio forman una base y dim V =

ff Dl
y definase el vector V= a 1 Vl + a 2 V2 + · · · + C(n Vn = n. Si no es así, entonces por
constante e y 3. no; dependiente
C!1V1 + C!2V2 + .. ' + anvn + el Problema 4.4.49, por lo

w(f, g)(x)
f(x) g(x) 1
Elija un vector b = (b 0 , ... , bn)
Ov" + 1 . La última ecuación
muestra que V1, V2, ... , Vn+1
5.
7.
no; no genera espacio
sí 9. sí
19. {G)} 21. menos uno de ellos se puede
f'(x) g'(x) expresar como una
tal que a¡ · b = O para i =

{(J. m} {G)} {o cm
1
gen V. combinación lineal de los
f(x) cf(x) 1 1, 2, ... , m. Si m < n + 11. 13 que lo preceden. Descarte
23. Sean V;= (v; 1, V; 2 , ... , V;n) y
= 1f'(x) cf'(x) 1, este último sistema • 23. 25. n este vector. Siga de este
U¡ = (u; 1 , U; 2 , ... , U;n).
homogéneo de ecuaciones
= cf(x)f'(x) Asimismo, sean modo hasta que queden m
cf(x)f'(x) =O.
siempre tiene una solución 15. Como dim IR 2 = 2, un vectores linealmente

53. Considere que c 1(u + v) +

no trivial b (por el Teorema
1.7.1). Supóngase que b se w. =
v1j)
Vzj z. =
(ulj)
llz;
subespacio propio H debe
tener dimensión 1. Sea
27. V tiene una base
{u1, U2, ... , Un} así que
independientes. Éstos aún
deben generar V por la
c 2(u + w) + c 3 (v + w) =O.
Entonces (c 1 + c 2)u + (c 1 +
puede escribir como b =
C!131 + Gt2a2 + · ·' + amam.
J
(. .•
¡;nj
' J
.•.
unj
{(x 0 , y 0 )} una base para H.
Si (x, y) E H, entonces
existen escalares tales que forma en que fueron
elegidos. Por lo tanto,
c 3 )v + (c 2 + c 3 )w O. V¡ = a11U1 + a12U2 + ' ..
Entonces b · b = a 1 a 1 · b + (x, y) = c(x0 , y 0 ) para
y A = (a;)· Entonces V2 = ª21 U1 + ª22 Uz + ... dim V = m < n. En
Como u, v y w son Gt2a2·h+··· +amam·b=O.
expresando los componentes algún número real c. Esto cualquier caso dim V :::; n.
linealmente independientes, Pero b -::/= O. Esta
en las desigualdades dadas, significa que x = cx0 , y =
c 1 +c 2 =Ü contradicción muestra que b Vm = am1U1 + am2U2 +.'' 31. (a) Vea el Problema 4.3.27.
resulta cy0 o bien
c1 +c 3 =Ü no puede expresarse como + aln Un (b) Sea {v 1, ... , v11 } una base
(*) vij = a; 1 u 1 j + a; 2 u 2 j + · · · + ª2nUn H; y {u¡, Uz, ... ' um}
c2 + c3 = Ü una combinación lineal de e= x = y y y= (Yo)x, para
las ai si m < n l. Sea + a;nUnj Xo Yo \xo una base para K.
El determinante de este
'sistema homogéneo es q(x) = b0 + b 1x + · · · + dado que lo cual es la ecuación de Claramente B
bnxn. Entonces q(x) no o bien det l () una recta que pasa por el {V¡, v 2 , ... , V11 , U 1, U 2 , ... , Um}

l o :1
así que la única solución es
-2-=!= O,
puede escribirse como una
combinación lineal de los
elementos Pi y, por
consiguiente las Pi no
wj = Az; por lo que zj
1
Sea A - = B = (bij).
Entonces la expresión para
= A-

x0
.
ongen y con pen d'1ente Yo s1.
Xo
-::/= O. Si x 0 = O, entonces

la recta es el eje y.
Sea a; = (a;¡, a; 2 , ... , a;n).
Los elementos ai son m
vectores linealmente
independientes en IR 2 (de
genera H + K. Suponga que
C!1V1 + C!2V2 + ... + anvn +
/JJul + {3 2 u2 + · · · + /Jmum =O
en donde no todos los
generan espacio. Se z1 puede escribirse coeficientes son cero. Sean
c1 c2 c3 = O y los tres otro modo los elementos no
vectores son insiependientes concluye que m ::::=: n + l. uii = bilvij + h; 2 v 2 j + · · · 17. Sea {vi.v 2 , ... ,vn-d una serían independientes).
h = C!1V1 + C!zV2
base para H. Sea V n otro +···+anvn y k=/31U1+
17. Si p(x) E P, entonces + b;n vnj· Desarrolle los elementos a¡
/32 U2 + · · · + /Jmum.
vector en H. Entonces los

~ ~
p(x) = a0 + a 1x + · · · + Esto es semejante a la en una base a¡, ª2, ... ' am,
vectores V¡, Vz, ... , Vn-1• Vn am + 1, ... , a 11 para IR" sumando Entonces por independencia
55. ¡ e 1 a~k para algún entero k. expresión (*) con los
son linealmente lineal, ni h ni k son el
ª2 b2 c2 En consecuencia, p(x) elementos u y v simplemente al conjunto
vector cero. Asimismo, h E
intercambiados. dependientes. Sea A la n - m vectores linealmente
= (b - a)( e - a)( e - b) puede escribirse como una
matriz cuyos renglones son independientes. Entonces si H y k E K. Pero entonces
combinación lineal de 1, Consecuentemente,
V¡, V2, · · ·, Vn-1• Vn. ak h + k = O o bien h =
según el resultado del x, x 2 , .•. , xk. = (akl' ak2' ... 'ªkn)
U; = b;k vk para i = 1, 2, ... , n Entonces det A = O, y la para m < k s; n, defina -k E K. Consecuentemente
Problema 2.2.35. 19. av 1 + /Jv 2 (a+ f3c)v 1. Sea
ecuación Aa = O tiene una Vk = ak1U1 + ak2U2 + ... + aknUn O -=!= h E H n K, lo cual
448 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR Respuestas a Jos problemas de número impar

contradice el hecho de que 27. no 29. sí 37. Puesto que p(A) = 5, los posición 1, 1 también tiene
H n K = {O} . Por cinco renglones de A son un cero en la posición 1, 1.
31. Si e¡ denota la i-ésima
consiguiente, son nulos linealmente independientes.
todos los elementos a y (3,
columna de D., entonces
() En consecuencia, los cinco cose - sene)
( sen e
cose
(1)o = (cose);
sene
lo que implica que los renglones de (A, b) son
vectores en B son
o linealmente independientes,
Existen muchísimas otras cose -sen e)(º)
linealmente independientes. opciones. y p(A, b) = 5. ( sene cose 1
Por ello B es una base para C¡ = d¡ 1
39. Por el Problema 35, p(A) =
(-:::~)
H + K y dim(H + K) = Problemas 4.7 o p(AD) = p(C(AD)) = p(B). =
dimH + dimK.
l. p=2, v=O 3. p=l, v=2 41. (i) Si existe un x -:/= O tal que
(i) Si dim gen{v1' v2 } = 1,
entonces elíjase una base {v}
para gen{v 1 , Entonces
5.
9.
13.
p = 2, V = 1 7. p = 2, V = 2
p = 2, lJ = Ü 11. p = 2, V= 2
p 3, V = 1 15. p = 2, V = 1
i-ésima posición. En
consecuencia, los elementos
C¡ son linealmente
Ax = O, entonces A(ax)
aAx = O para todo a E IR
de modo que v(A) =
{) 2
1
A - se obtiene girando un
ángulo de -e. Por tanto

A_ 1 = (cos( -e) -sen( -e))

v1 av y v2 = (3v. Si v 1 =
O, entonces v 1 es un único
punto que está en v2 • Si
v 1 -:/= O, entonces a -:/= O por
fJ ex
17. base imagen={(;){)}
éstas son las primeras dos
independientes cuando d¡ -:/=
O, y el número de columnas
linealmente independientes
es el rango.
dim ker A ¿ 1, y p(A) =
n - v(A) ~ n - 1 < n.
(ii) Si p(A) < n, entonces
v(A) = n - p(A) > O así
que existe un x -:/= O tal que
11. a 0 + a 1 x + a2x
sen( - e) cos( - e)
= (ao+a1 +a2)1
+ a1 (x -1) + a 2 (x 2 -1) = ( cose sene).
13. ao+a 1 x+a 2x 2 -sen e cose
= (ao + a1 + a2) (x + l)

rn}
lo que v2 = (Jv = (r:xv) = - De manera alternativa, dado
a fJ columnas de A. 1
33. p(A ) = dimensión del espacio Ax= O. 2
En cualquier caso los
base espacio nulo = {
columna de A 1 = dimensión + (a1 - ao- a2) (x - l) que
A=
(cos e - sen e)
vectores son colineales. del espacio renglón de A Problemas 4.8 2 sen e cose '
(ii) Si los vectores son dimensión del espacio de + a 2 (x 2 -1)
colineales, entonces v2 = 19. base imagen = columnas de A (por el
1. 1 3. 2 5. 2 7. 3 9. 3
15. 2(x 3 +x 2 )-S(x +x)
2 A_ 1 = ( cos e sen e).
Teorema 3) = ,u (A). 11. Sea 1 MI un subdeterminante -sen e cose

{(~){~}(D}
e v 1 para algún escalar e de + lO(x + 1)-16(1)
modo que v 1 es una base 35. (i) Sea H = imagen de A y de orden k + l.
para gen{v 1, v2} y
éstas
sea{v 1,v 2 , .•• ,vk}una Desarrolle 1 MI en
su primer renglón. Al hacer
17. (x)n, ~ (-~) 35. A- 1 =
dimgen{v 1 , v2} = l. base para H. Ya que B es cos (7r/4) sen(7r/4))

~ (-~)
son las tres primeras esto obtenemos k + 1 ( -sen(7r/4)
invertible, ker B {O}, lo cos (7r/4)
35. Si no son linealmente columnas (linealmente determinantes de orden k.
que significa que 19. (x).,
independientes, entonces,
como en la respuesta al
independientes) de A.
{Bv 1 , Bv 2 , ... , Bvd es un Como cada determinante es
cero por hipótesis, !MI = O. =
11J2
(-11J2 11J2 11J2)
conjunto linealmente 21. independiente
Problema 29, dim V < n.
Como dim V= n, los
vectores deben ser
independientes y, por
base espacio nulo=¡ (=D) independiente en IRm y en
consecuencia es una base
para Imag BA. Por
Problemas 4.9
23. dependiente
25. independiente
(del Problema 33) así que

A-i( 2)= (-s;J2)

¡]
27. independiente
consiguiente, constituyen
una base para V.
consiguiente p(BA) = k =
p(A). 1.
x+
2
G)+ x~y (_~)= (~) 29. Si fueran linealmente
-7 -9JJ2
(ii) Dado que C es independientes, generarían 37. Como Ces invertible, las
21. base imagen= invertible, Imag C = IRn. 3.
4x 5)+ 7x-5y ( 3)
(7 Pn. Pero 1 E Pn y 1 ~ columnas de son c
Sea h E H; entonces existe 41 41 -4 gen{p 1,pz, .. ·•Pn+i} linealmente independientes.
un x E IRn tal que Ax = h. Esto es, {c1, Cz, ... , en} son
base espacio nulo Ya que Imag C = IRn, =C) puesto que es O el término
constante en cada n vectores linealmente
existe un y E IRn tal que polinomio. independientes en V, los
S. dx-by(ª)+-ex+ay(b) cuales son, en consecuencia,
Cy = x. Consecuentemente ad - be b ad - be d
ACy h. Por ello He 31. Si fueran linealmente una base para V puesto que
Imag AC. Si v E Imag AC,
existe un u en IRn tal que
=(;) independientes, generarían
Mmn· Pero la matriz A
dim V n.

ACu = v. Pero entonces
v A( Cu) de manera que
v E Imag A = H. Por lo
(x-y{~)+(y-{)
(au) en donde a 11 = 1 y
7. ªu = O de otro modo no
está en el espacio generado
de A 1 , A 2 , ..• , Amn+ 1 ya
39. Si CA = l, entonces
(x) 81 = J(x) 81 = CA(xh 1 .
Recíprocamente, suponga
que (x) 81 = CA(x) 81 .

+{){)
tanto Imag A C e H de
25. {(1, O, O,~), (O, 1, 1, 1), modo que Imag AC = H y que una combinación lineal Sea B 1 = {V 1 • V2' ... ' Vn}.
(0, O. O. 1)} p(A) = p(AC). de matrices con un O en la Entonces
 450 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR Respuestas a los problemas de número impar

c21J3~1J3~0, -1150), 35. lu + vl 2 = (lul + lvl) 2 • 39, _L = {V E [R" ; V • k = Ü (cxB, A) = cx(B, A) = cx(A, B) =
(-2N10, l/YlO, 2/Jlü, Esto significa que para todo k E H_L}. Sea x E cx(A, B)
1/Jlü)} 27. (u + v) '(u + v) = H; entonces x · k =O 3. Sea E¡ la matriz de.~, x .n.
11. {(a;.J a 2 + b 2 + e 2 , 1u1 2 + 2u · v + 1v1 2 = para todo k E H-1 por lo con un 1 en la pos1c1on z, 1,
2
b/.J a + b + e , 2 2
(lril + lvl) 2 = lul 2 + cual x E (H_L)_L, lo que y O en todas las demás
c;.J ª2 + b2+ c2)} 2jujlvl + lvl 2. Por muestra que H <:;:: (H_L)_L.
Sea posiciones. Es fácil ver que
consiguiente u· v = lu] lvl Recíprocamente, si
r11 r12 ··· rln) 13. {(-7/J66, -1/J66, 4/J66)}
lo cual, del Problema 34, vE , entonces v · k = O
{Ei, E 2 , ••• , En} es una

(i ; -u
r 1 r12 · · · rz,, 2 1 2
base ortonormal para D,..
CA= ~ ... ... .
puede ocurrir sólo si u = para todo k E H _L. Pero
( 1s." o· = y 1'.v; es decir, u y v son v = h' + k' en donde h' E H y
s. {o;n, ifn), wn, 11n)}
rnl rn2 rnn linealmente dependientes. k' E H_L. Entonces O= v · k = 7. H, J372x, E/8 (3x 2 -l)}
QtQ=I=QQt

CA~)=
37. Se prueba esto por h' ·k + k'·k =o+ k'·k. 9. Primeramente nótese que si
Por ello k' ·k = O A= y Bt = (bj), entonces
17. PQ = inducción matemática. Si
Entonces la para todo k E H,
k = 2, éste es el resultado
lo que significa, en
primera columna de
X (1 - j8 1 - j8)
del Problema 35.
Suponemos que se verifica
particular, que k' · k' = O.
de manera que
l+j8 l-j8' 29. 1u 1 - u 2 l2 = (u 1 - u2) · para k n y lo En consecuencia, k' = OY n

CA{:}(j) (u1 - Uz) = U1 . U1 - Uz. U1 - v = h' E H. De este modo, tr(AB 1) = I I aijbij.

(PQ)1 = _1_ demostramos para k =
3j2 U1 . Uz + Uz . Uz = 1 - o - n + 1. Supóngase que
e H y, junto con i= 1 j= 1

O + 1 = 2 en virtud de que H e (H_L)_L' demuestra que

lx1 + Xz + · · · + x,, +X,,+ 1 I = (i) (A, A) = tr(AA 1)
1 - j8 1+18) u 1, u 2 son ortonormales. (HJ_)j_ =H.
( -l-j8 l-j8, lx1I + lxzl + .. · + lx,,I + n n

Análogamente, la segunda X
11. (*) Esto implica que 41. Sea k E H-j:. Entonces
=I
(PQ)(PQ)1 =
18 o 18
_!_ (
18
º) = I
+ x 2 · • • + x,,I =
+ lxzl + ... + lxnlUl,
k . h = opara todo h E H 2 . (ii) (A, A)
i=l

= O implica que

columna de CA =G ya que
19. I = Q-1Q = QtQ = QQ = Qz.
Pero det Q2 = ( det Q) 2 =
det l 1, de modo que
33. os (1:1 - 1:1).
debido a que si esto no se
verifica, entonces, por la
desigualdad del triángulo,
Como H 1 e H 2 ,esto
demuestra que k · h =O
para todo h EH 1 • Esto es,
t.
k E H Por lo tanto
a¡j = O para toda i y toda j
por lo que A = O. Si A
O, entonces A 1 = O y AA 1 =
O y así tr(AA 1) = O.
det Q = ±l. 1 X¡ + Xz + · · · + Xn H-j: e Hf.
(1:1 - 1:1) (iii) (A, B + C) = tr[A(B + CYJ
1

(v,)8 , = O· Continuando
21. Si v¡ = O, entonces Ov 1 +
Ov 2 + . ·. + Ov¡_ 1 + V¡ +
Ov i + 1 + · · · + Ov n = O,
lo que implica que los
elementos v¡ son linealmente
-1u12
lul
U• U
- - - - - + -2
2
=------+
2
lullvl
2u·v
2u •V
lvl
lvl 2
V• V

1 X¡

S
< lx1I + lxzl + .. · + lx,J
Pero entonces
+ X 2 + · · · + X,, + X,,+ 1
X¡ + Xz + · · · + X,,
1 1
I
Problemas 4. 11
1. (i)
+
A)
?: O.
= aL + + .. ·
+ tr[A(B 1 + C1)] =
tr(AB 1 + AC1) = tr(AB 1)
+ tr(AC1) = (A, B) + (A, C)
(iv) De forma análoga
(A + B, C) = (A, C) + (B, C)
lul lul lvl + lx,,+ 11 < lx1I (ii) (A, A) = O implica que
de esta forma, se ve que dependientes. Por ello v¡ =/= a~ = O para i = 1, 2, ... , n
2u ·v + 1Xz I + ... + 1X"1 (v) (A, B) = aij biJ
CA l. Oparai= 1,2, ... ,n. =2 ------>o por lo que A = O. Si A =
lullvl - + lxn+ 11,
O, entonces (A, A) O. A)
Problemas 4.10 23. (a) O lo cual contradice (*).
u·v (iii) (A, B + C) = a 11 (b 11 + c11)
< 1 Y u·vs Consecuentemente, por la
1. (11./2), (-11./2) ( )
b .Ja2+b2 b
1 (ª) así que
lullvl - hipótesis de la inducción,
+ ... + anihnn +
a 11 b 11 +a 11 c 1
en,,) =
+ .. ·+a,, bnn 11

11J2 11J2 dim gen{x 1 , x 2 , ... ,x 11 } = 1. anncnn = (a¡ + .. .

+ ( ~)
1u11v1.v De modo semejante, 1
3. (i) Si a = b =O, ( C) V = (:) Sea u = X¡ + Xz + ... + xn. + an,.bmJ + (a¡ 1+ .. . 1
Por(*) y (v) lu X,,+11 = + a ,.c 11.

cm
{(1, O), (O, 1)} 11 1111 ) = (A, + (A, C) (0
(ii) Si a= O, b ~O {(1, O)} os (1:1 + 1:1). (1:1+1:1) lul + lxn+ 11 de modo que De igual forma,
(iii) Si a# O, b =O {(O, 1)}
(iv)Sia#O,
b =f O{(b¡.J a 2 + b 2 ,
25. (a) 4~ (b) ~ (-D = 2 +
2u 'V
lullvl
¿ O de forma
por el Problema 35, x,.+ 1 =
1'.u para algún número 1'.
Es decir, x,,+ 1 Egen{x¡, Xz,
+
(v) (A, B)
B, C) = (A, C)

puesto que todos los

= (B, A) =
+ (B, C)
(~ ~)
13. (a) (i) (p, p) = p(a) 2
p(b)2 + p(c)2 ?: O
-a/.Ja 2 +b 2 )}
5. {(1/v15, O, 2/v15), (2/J36,
(e) V= 4~ (-1~~) .u·v
que 1 > - ---- o bien
- lullvl
... , x,,} por lo que dim gen
{X 1, X 2 , ... , X,, , Xn + 1 } = 1
componentes son reales y
a;;hu = b;;ll;; (ii) (p, p) = O implica que
5/50, -1/50)} 118 también. Por tanto, el (vi) (cxA, B) = (cxa11)h11 + · .. p(a) p(b) p(c) O.

~~(-D lullvl?: -u·v.~ resultado es cierto para k + (cxa 1111 )b 1111 = cx[a 11 b 11 + · · · Pero una cuadrática puede
7. {(2/J29, 3/J29, 4/J29)} a1111 b1111 ] = cx(A, B)
9. {(1/v15, O, O, 2/v15),
+ Combinando CD
y @ se
n + 1, y la demostración
queda completa.
tener a lo sumo dos raíces.
tiene que lu·vl s lullvl. (vii) (A, cxB) = (cxB, A) = Por ello p(x) O para
 45~ RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR
Respuestas a los problemas de número impar 453
toda x. Recíprocamente si
p =O, entonces p(a) = x j5(6x 2 - 6x + 1) 5. sí; dimensión [n(n + 1)]/2; ker A ={O}; mientras que
p(b) = p(c) O por lo :::::: -0.8346x 2 0.2091x base {(Eii : j ;::::: 1} en donde p(T) = 2, v(T) =O
cual ( p, p) = O. + 1.1585 es. la matriz con un 1 en
(iii) (p, q + r) + la posición i, j y O en las 33. ¡(~)-¡(-~)= (_~)
= p(a)(q(a) + r(a)) demás.
Ahora bien, si z a + bi, 25. A*= 35. 1(1+ x 2 ) + 0(1+ x) + 3(1) = 7. lineal
+ p(b)(q(b) +
+ p(c)(q(c) + r(c))
r(b)
entonces z + ==: z 7. no; por ejemplo -2x)+
(-x 5 +x 2 ) = x 2 -2x, lo cual
4+x 2
9. no lineal, ya que
(a + bi) + (a - bi) 2 37. 2
no es un polinomio de
= [p(a)q(a) + p(b)q(b) 2a = 2 Re z (y z z =
+ p(c)q(c)] 2bi = 2ilmz). Por
Verifique que A*A l. grado 5, así que el conjunto
{~ (~), ~ (-~)} r(aC)) r(:;)
=

+ [p(a)r(a) + p(b)r(b) consiguiente (u, v) +

Problemas 4.1~
no es cerrado ante la
adición.
39.
=(ax)(ay) 2
= 2 Re(u, v) y así =a xy
+ p(c)r(c)]
2 Re(u, l. Sea L un conjunto 9. no; por ejemplo, 1/./3)
= (p, q) + (p, r) 2- ¿O o bien linealmente independiente
41.
(11-!3
11J3 en tanto que ar(;)= axy

(~ ~H-~ D
(iv) Similarmente, (p + q, r) = en V. Sea S la colección de
(p, r) + (q, r) ::::;; 1. Sea f.. un número 11. lineal
(v) (p, q) = p(a)q(a) + (p(b)q(b)
+ p(c)q(c) real. Entonces O ::::;; ((A.u +
todos los subconjuntos de V
linealmente independientes,
ordenados parcialmente, por
43. (a) (-V (b)
(
-1/-/3)
11J3
1/-/3
13. no lineal, ya que

= q(a)p(a)+ q(b)p(b)
(u,
A.
2
(A.u + (u, v)v)) =
+ J(u, v)i2JvJ 2 +
inclusión tal que todo
conjunto en S contenga a ~ (-! ~} lo cual no
+ q(c)p(c)
= (q, p)
v) +
(pues f.. es real) A2
2A.J(u, v)J 2 + J(u,
v)(v, u) ;;=
+
JvJ 2 . Lo
L. La demostración
entonces se desarrolla como satisface ª12 = l.
(e) (-I){f)
(vi) (ap, q) = [ap(a)]q(a) en la del Teorema 2.

rn
último es una ecuación 11. independiente
+ [ap(b)]q(b) cuadrática en \. Si 3. El resultado es cierto para 13. dependiente
+ [ap(c)]q(c) 2
aA. + bA. + e ¿ O, entonces n = 2. Supóngase que se 15. independiente 45. (a)
la ecuación a\ 2 + b\ + verifica para n = k.
= a[p(a)q(a) 17. independiente
e = O puede tener como Considere los k + 1 si a =I=- 1 o bien O
+ p(b)q(b) conjuntos A 1, A 2 , . . . , Ak> 19. independiente

((-:j~}(j~))
máximo una raíz real y, por 15. no lineal, pues
+ p(c)q(c)] lo tanto, b 2 4ac s O. Ak + 1 en una cadena. Los 21. dimensión 2; base {(2, O, 1), T(A +B) =(A+ BY(A +B)
= a(p, q) En consecuencia primeros k conjuntos (O, 4, 3)} =(A1+B 1 )(A+B)
forman una cadena y, por (b) 1
=A A+A 1B
(vii) (p, aq) (ap, q) 4( ( u, V) 2) 2 - X 23. dimensión 3; base
a(p, q) a(p, q)
J J

la hipótesis de inducción, +B 1A+B 1B.

l(u, v)i2/vJ 2 s O {(1, O, 3, O), (O, 1, -1, O), Pero
(b) No, dado que se uno de ellos contiene a los (O, O, 1, 1)} T(A)+T(B)=A 1A+B 1B
o bien J(u, /v ¡2 otros k 1 conjuntos.
infringe (ii). Por ejemplo,
sean a
p(x)
1, b - I y
(x - l)(x + 1) =
Y J ( ll, V) J S J U J J VJ.
Llámese a este conjunto A¡.
Entonces A¡ s; Ak+ 1 o bien
Ak+ 1 s; A;. En uno u otro
25. dimensión 4; base
{Di. D 2 , D 3 , D4} en donde
D 1 es la matriz con un 1 en
(c)(!H=!) :f. T(A +B)
a menos que A B + B A =O.
1 1

17. no lineal, pues T(aD) =

1 =I=- O. Entonces p~a)
2
x 19. HJ_ gen {(-15x 2 +16x-3),
casos hemos encontrado un la posición i, i y O en las e1 (aD) 2 = a 2 D 2 :f. aT(D) =
p(b) O de manera que 3
(20x -30x 2 + 12x-1)}
2 + 3(x - +
conjunto que contiene los demás 47. 1) aD 2 a menos que a 1
(p, p) = O aun cuando p t=
27. Imag A= gen { (_~) };
o bien O.
O. De hecho, para cualquier 21. 1+2x+3x -x 2 3
otros k conjuntos y el (1:f-e2 - i~s)(x2 2x + ~)
polinomio q, se tiene que resultado es válido para :::::: 1.6672 + 0.0821x + 19. lineal 21. lineal
(~)}; 1.459x 2
2
(p, q) = O. 30x + 52x + 19 n k 1. Esto completa
ker A = gen { 23. no lineal, pues T(f + g) =
20 la demostración por (f + g)2 :f. ¡2 + g2 =
15. v13i inducción. p(A) = v(A) = 1 Capitulo 5 T(f)+ T(g)
29. Imag A = IR ; 3 Problemas 5.1 25. lineal 27. lineal
Ejercicios de repaso • Capítulo 4. ker A ={O}; 29. no lineal, pues
1. lineal 3. lineal
2 p(A) = 3, v(A) =O T(aA) = det (aA)
(~ u) (~ v) (~ u) 23. -
n
+ 1. sí; dimensión 2; base
31. Imag A 5. no lineal, puesto que = O'.n det A
{(1, O, 1), (O, 1, 2)} ::/-a det A
Ju JuJ Jvl iul
3. sí; dimensión 3; base = aT(A)
(v,
j s( n2-+-
24
{(1, O, O, -1), (O, 1, O, -1), a menos que a: = O o bien
+I n2
(O, O, 1, -1)} 1. [det o:A = 0: 11 det A por
 454 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR
Respuestas a los problemas de número impar
el Problema 3.2.28.]
También, en general,
= a[(v, u 1)u 1
O ª), a, b, e son reales 1-1 2) 2
gen{l+x , -l+x, 2+4x+ imag D = Pn_ 1 ; ker D =IR;
det (A+ B) :F det A+ det B.
+ (v, u2 )u 2 + ·· ·
+ (v, un)unJ
(b e · 5.
( 3 1 4 ; imag T =
2
6x } = P 2; ker T = p(D) = n, v(D) = 1

(J c;D
2
gen {x -4x - 6}; p(T) = 3,

(! ¡~ ¡l }
17. Tx=Ax en donde A~ 5 -1 8
v(T) = 1

(D{)l
= aTv.
31. (a) (b)
Problemas 5.R ( ~ =~ ~)
2 -1 1 gen { ker T=
111o1)
1 1 1 .
33. Gira un vector en sentido l. kernel (o núcleo) 19.
( o oo oo
1 1
; 1mag T= 25.

{CDl
contrario al del reloj {(O, y):yEIR}, es decir, el 19. (i) Si A E ker T, entonces
alrededor del eje z un é'je y; imag = {(x, O): x E IR}, A - A = 1
O, o bien A 1
A1. p(T)=2,
ángulo e en un plano gen
(~ ~) };
es decir, el eje x;
p(T) = v(T) = 1 (ii) Si A E imagen de T, M 22 ; ker T= { imag T = P 4 ; ker T ={O};
paralelo al plano xy.
entonces hay una matriz B v(T) = 1 p(T) = 5, v(T) =O
35. Supóngase que a < O. 3. kernel={(x, -x):xEIR}- p(T) = 4, v(T) =O
tal que B - B 1 = A.
Entonces T[(a - a)x] =
T(Ox) = OTx = O.. Por tanto
T[(a - a)x] = T(Ox) =
esto es la recta x + y = O;
imag=IR; p(T)=v(T)=l.

(~ ~) }; imagen=
Asimismo A 1 =
(B - B1y = Bt - (Biy =
B 1 B = -A de modo que
7. (~ -~ ~ ~); •imag T=
1 o 6 6 21
oo o1 2o oo o º) j!
(o o o 3 o ;
j+l
5. kernel= { ·
OTx =O y T(ax) + T(- A es antisimétrica. en ctoncte bj = I e+ _ .), ;
ax) = T((a - a)x) = O. M22; p(T) = 4, v(T) =O o o o o 4 i=lJ 1 ¡, •

Pero -a > O de modo que 21. Sea 7;/u;) = wJ y 7;/uk) =

7. kernel={A :N =-A}= imag D =P3 ; ker D =fR; imag T = Pn; ker T ={O};
T(-ax)= -aTx. En {A : A es antisimétrica-
O si k ::/= i. Estas forman
una base para L( V, W), así
p(D) = 4, v(D) = 1 p(T) = n + 1, v(T) =O
consecuencia T(ax) - imagen A es simétrica};
dim L (V, W) = nm. 0100 ... 0
aTx = O, o bien T(ax) = aTx
para a < O también.
37. T(x - y) = Tx + T( -y) =
imag ={A :A
es simétrica}; p(T) =
2
(n +n)/2; v(T)=(n 2 -n)/2
23. Falso. Sean S y T: IR 2 -+ IR 2
dados por S(x) = Ax y
0020···0
0003···0
29.
(
1
O
o1 º)
O ; imag T=P2;
'
Tx + T[ ( - 1)y] = Tx + 9. kernel (o núcleo) = T(x) = Bx, en donde A
23. o o 1
{f E C[O, 1] :f@ =O}; oóóó ...
(~ ~) (~ ~)
(-l)Ty = Tx - Ty. p(T) = 2, v(T) = 2 n ker T = {O}, p(T) = 3,
39. T(v 1 + v2)
(vi, u 0 )
= (v 1 + v2, u0 ) =
+ (v 2 , u 0 ) = Tv 1 +
imagen =IR; p(T) = 1;
el kernel o núcleo es un
espacio de dimensión
y B=
Entonces ST(x) = ABx =
9. a -~} imag T=IR
2
;
0000···0 v(T) =O

Tv 2 ; T(av) = (av, u 0 )._ =

(~ ~)x =O.
a(v, u0 ) = aTv. infinita, de modo que ker T ={O}; p(T) = 2, v(T) = 31. Por ejemplo, en Mw
v( T) = oo. Por ejemplo,
Sin embargo, o 1 o o o o o o o o o o
41. T(v 1 + v2) = (v 1 + V2 , u 1 )u 1
las funciones linealmente
1!-) . o o o o o o o o o o
11. ( 3 :±~
TS(x) no es una
=(V¡ +vz,U2)U2 independientes x -t(x -!)2, transformación cero porque o
~ ; imag T = IR ;
2

o o o o o o o o 1 o o
+ .. ·+(v1+Vz, (x -!) , (x -!) , ••• , (x - !t,
3 5 5

{UH
4

un)u~
... satisfacen todas f@= O. BA = (~ ~) oF la matriz o 1 o o o o o o o o o
=(V¡, U1)U1
11. Si v E V, entonces v
ker T= gen o o o o o 1 o o o o o
+ (Vz, U1)U1 cero.
C¡V¡ + C2V2 + · · · + CnVn de o o o o o o o o o 1 o
+(vi, u 2 )u 2 p(T) = 2, v(T) = 1 Ay=
+ (v2, U2)U2
modo que Tv Problemas 5.3 o o 1 o o o o o o o o
T(c1V1 + CzV2 + ... + cnvn)=
o o o o o o 1 o o o o
(~o -~o o~);
+ .. · + (V 1, Un)Un
(_ 11 -2)1 ;
e 1 Tv 1 + e 2 Tv 2 + ··· + en Tv n) =
+ (u2' un)un C10 + CzO + ... + cnO =O. 1. ker T={O};
13. imag T=
o o o o o o o o o o
= (v 1, U 1 )u 1 Así Tv O para todo v E
imag T = fR 2
; v(T) =O, o o o o o o o o o o
+ (v 1 , u 2 )u 2 V y es, por lo tanto, la p(T) = 2 1 o o o o o o o o o 1 o o o
+ ... + (v¡, un)un transformación cero.
+ (v2, U1)U1 1 1 gen {1- x, x }; ker T =
3
o o o o o o o o o o o
13. La imagen de T es un 3. ( -l ); imag T= gen {x 2 }; p(T) = 2, v(T) = 1
+ (Vz, Uz)U2 subespacio de IR 3 y, por el -2 2 -2 En general, A T = (a;) en
+ ... + (vz, un)un Ejemplo 4.6.9, los (_~) }; ker T = 15. (0,0, 1,0); imag T=fR; donde

~,{
gen { SI i=km+l,
ker T = gen {1, x, x 3 };
= Tv 1 + Tv 2 ; subespacios de IR 3 son {O}, y j = (l-l)n + k + 1
T(av) = (av, u¡)u 1
+ (av, u 2 )u 2
+ (av, un)un
+ ···
IR 3 , y rectas y planos que
pasan por el origen. gen {G}(D} p(TH,
17.
p(T) = 1, v(T) = 3

(~ -~ : ~} imag T=
para k = 1, 2, ... , n -1
y l=l,2, . .. , m
15. Tx =Ax en donde A = v(T) = 2 O, en cualquier otro caso.
 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR Respuestas a los problemas de número impar

33. G~ -!} imag D

5. m = [n(n + 1)]/2 =
dim {A : A es n x n
y simétrica}.
7. Definase T: P 4 __,, W por
Tz 1 + Tz 2 . Si ex E lR::, entonces
T(cxz) = T(cx(a
T(cxa + icxh) =
cx(a, h) = cxTz.
ih)) =
cxh)
tanto Tes
9. Tx · Ty

A = (A
x·y x·
x ·y= Ax· Ay Y
A 1 = A- 1 de modo que
Entonces lineal
de repaso•

3. no lineal, pues
5 E_¡ =gen {(25-

5. -3, -3;
= gen {senx, cos x};
(~) };
1 1
lineal. Finalmente, si x·(A- 1 )1A =A x·A y T(a(x, y))= T(ax,
Tp = xp. Tp = O implica E_ 3 = gen {
ker D IR; p(D) = 2, T(z) = (O, O), entonces = Sx · Sy ax/ay= x/y =
p(x) = O; p es el 1
la mult. geom. es 1
v(D) = 1 claramente z a + ib = de manera que Sx = A - y T(x, y) i:: aT(x, y) a menos que
polinomio cero.
35 · C12 -t) Consecuentemente, T es 1-1
y:, puesto que dim W = 5,
O + iO = O. Así, Tes 1 a 1
y puesto que dim e (sobre
los reales) = dim [R; 2 = 2,
11.
es una isometría. a =l.
5. no lineal, ya que
T(P1 + P2) = 1 + P1 + P2,
7. O, 1, 3; E 0 = gen
T es también sobre.
Tes un isomorfismo. pero
37. Sean B 1 y B 2 bases para V y
9. mn = pq Tri Tr2 = (1 + P¡) + (1 + P2)
W, respectivamente. = 2 + P1 + P2·
21. Del Teorema 1.11.1', el
Tenemos para 11. La demostración del
(~
mapeo Tx = A rx es sobre
todo v E V. Entonces v E Teorema 6 prueba la 7. imag T
si y sólo si Ar tiene inversa 13.
ker T si y sólo si Tv = O si afirmación con la
= gen { (~) };
derecha.
y sólo si = (O)n 2 si y consideración de que los
sólo si (v)B 1 E ker Ar. Por escalares c 1, c2 , ••• , en son Problemas 5.5 9. 1, 1, 10;
tanto, nulidad de T números complejos. ker T= gen
y así v( T) = v(Ar). 1. Tx · Ty 15. A*=
13. T(A 1 + A 2 ) = (A 1 + A 2 )B = 2i E 1 =gen
Si w E imag T, entonces p(T) = v(T) = 1
A 1 B + A 2 B = TA 1 + TA 2 ; sen(:i + X 2 COS
Tv = w para algún v E V 17. Si A es hermitiana, entonces 1 o -2
T(cxA) = (cxA)B = cx(AB) = COS f) X2
de manera que A* A. En particular, las 9
a TA. Por tanto Tes lineal. X3 · (o 2 o
Ay(v)n 1 = (Tv)B 2 = componentes diagonales de 2 E 10 = gen
Supóngase que TA = O. imag T=IR ;
Esto significa que E
Entonces AB = O. Como B
O
sen + y 2 cos O\ A no se mueven cuando se ker T
Así RAT' = imag T y así cos O - y 2 toma la transpuesta, de la mult. geom. de 1 es 2
p(T) = p(A 1} es invertible, podemos
Como
Y:i modo que a,¡= a;;, lo cual
v(Ar) + p(A 1 ) = n por el multiplicar por la izquierda
significa que a¡¡ es real.
por s- 1 para obtener A = 11. 1, 1, 1; E 1 = gen
Teorema 4.7.5, vimos que
ABB- 1 = OB- 1 O o bien () +
v( T) + p(T) = n también. 19. Sea A* B = (h;) y sea e¡
A = O. Así, T es 1 - 1, y la mult. geom. es 1 (la
la columna i de A. p(A)=v(A)=2

n~ -1 l}
como dim Mn 11 = n 2 < x, mult. alg. es 3)
Entonces AB = 1 = ((5;¡) en
T es un isomorfismo. X1Y1 + X2 Y2 +
Problemas 5.4 =X. y donde b;j 13. -1, i, -i;
15. Elíjase h H. Entonces
E
1 (se suprimen todos I, si i = j p s:
1. Como (cxA)1 cxA y Proy H h = h de modo que ero u·.=
11 E-1 = gen
términos del productr' { O,si i #f
(A + BY = A 1 + B 1, Tes Tes sobre. Si H V, JI.
1
escalar).
lineal. A = O si y sólo si entonces Tes también 1 a 1. imag T=M22;
A = O, de modo que 3.
ker T ={O};
ker T {O} y Tes 1-1. 17. Puesto que Tes un C¡ • C¡ = b;¡· =4, v(T) =0
Para cualquier matriz A, isomorfismo, ker T
ker A = {O} de manera que, 21. Como la componente i de
(A 1 )1 A, por lo que Tes X. (B . y.
sobre. por el Teorema Resumen A Ax es E-;= gen
es invertible. Si x = T- 1 y, y 12 (x y). (x +
3. (i) Si Tes un isomorfismo, entonces Tx Ax = y de X • X + 2x ' y + Y • Y j
(Ax, y)=
entonces Tx A rx O si modo que x A- 1 y pues + IYl 2 .._OIUl'l.Ul>J 6 15. 1, 2, 2;
y sólo si x O. Por tanto, A- 1 existe. Por consiguiente de modo que x · y

E,~ gen{(_~)}
Análogamente, si
por el Teorema Resumen, r- 1y
y
A- 1y para todo
¡p;n.
su +y 1
2
1 A* B = (h;¡), (x. A*y) =
Problemas 6.1
detAr=FO. E Tx·Ty Tx
(ii) Si det A 7 =F O, entonces Tx/
2
G) };
l
19. Para = a + ih C,
1 1 1. -4, 3; E_4= gen {

E,~ gen lCD

A rx O tiene solamente -1 Tx/2 l i=l
definase Tz (a, h) lR:: 2 .
J2(1x + Yl 2
(_~)}
solución trivial. Así, Tes 1 l 2)
Entonces (puesto que 1Tx1 E3 = gen {
1-1 y, puesto que V y W 1 1) X· Y
T(z 1 + z 2 ) T((a 1 + u 2 )
tienen dimensión infinita, T
es también sobre.
i( h 1 h2 )) (a 1 + a 2 ,
b 1 h2 ) (o 1,h 1 )+(a 2 ,h 2 )
7. Tx ax en donde a es un
escalar y a =F O o bien 1.
3. i, -i; Ei = gen { (
2
;i) }; la mult. geom. de 2 es 1
 Respuestas a los problemas de número impar
458 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR

17. a, a, a, a; Ea =~ ; 4
tanto Recíprocamente, si µ¡es un Problemas U
1 o 2
la mult. geom. de a la O = det(A - íl¡I)det A - 1
= valor característico de U. C=' 3 -2 1);
mult. alg. de a = 4. det[(A - ílJ)A - 1] = entonces 1. n Pi.n Pa.n T" P¡,nf Pa,n T,JTn-1 \o 1 2
det(J - íl;A- 1 ) O= det(A 2 - µJ) = 1 o o
19. a, a, a, a; o
~.1!_ 1
det[(A - jµ;J)(A + jµ;I)] o o 12 12
C-
1
AC=' O 1 o)
E.~ [(j}(D):
1 1 36 7 43 5.14 3.58
= det
íl¡ íl¡
J- A
de manera que det(A - jµ;I)
2 21 19 40 1.11 0.930 \o o 2
o bien det(A + jµ;I) = O. 5 104 45 149 2.31 13. No, dado que 1 es un valor
gen
= !_ det 1± I - A-
1
1. En el En cualquier caso ± fµ; es 10 600 291 891 2.06 característico de mult. alg. 3
un valor característico de A 19 16,090 7737 23827 2.08 y mult. geom. 1.
la mult. alg. de a 4; la 20 23,170 11140 34310 2.08 1.44
último paso aplicamos el de modo que µ¡
mult. geom. de a 2. 15. sí;
hecho de que det aA = an

e{
21. Los valores característicos -1
Nótese que los valores característicos son 1.44 y -0.836.

-l}
det A si A es una matriz de para alguna }.
son a ib. Entonces 1
n x n (vea el Problema 2.08) (-3.57)
2.2.28), y íl; i= O por el 29. Del Problema 28, a;A;v = Los vectores característicos correspondientes son ( Y 1 ·
o 1
[A - ca + ib)IJC) =
Teorema 6, part~s (i) y (x). a;íl;v por lo que p(A)v =
1
-1

-ih h) (1)i (º)o . Consecuentemente o

º)
C-'AC~(¡
n
(-b L (a;A;)v = ¿ (a;Aiv) = 3.
oo o
-ih
Análogamente,
=
det (A - 1
- ±J) = i=l
n
i=O
n Pi.n Pa.n T" Pi,nf Pa,n
2
o 4 o
o o 20 20 o o o 6
(~)·
1
[A (a - ib)I]( _:) =
(- lY det(± I - A- ) =O,
1 80 16 96 5 4.8
31. Si A es triangular superior, 2 64 69 133 0.928 1.39 17. B = c- 1AC de modo que B"=
y -
1
es un valor entonces también lo es A - 1092 498 1590 2.19 (e- 1 A C)(e- 1 A C) ... (e- 1 A C)
23. Sean (3 1 , (3 2 , ••• , f3m los 5 1
íl; íll de forma que, por el 10 3114 1970 5084 1.58 = C- 1 A(CC- 1 )A(CC- ) · · ·
valores característicos de característico de A - 1 • Teorema 2.1.1, det(A - íll) = 19 3.69X10
7
1.95X10
7
5.64X10
7
1.89 x AC = 1
c-
AIA .. · IAC =
a A. Entonces, para cada i,
Recíprocamente, si µ¡ es un 20 7.82X10
7
4.14X 10
7
11.96 X 10 7 1.89 2.12 c- 1 AA · · · AC = c-· 1 Anc.
existe un vector v¡ -=!= O tal (a¡¡ - A)(a22 - íl) · · · (ann - íl)
valor característico de A - 1 ,
que (a A )v¡ =
consiguiente (aA
Por
fJJ)v = O,
entonces, puesto que
= O cuando íl = a;; para
alguna i = 1, 2, ... , n.
Los valores característicos son 2.12 y -1.32 con los 19. (~ ~)
1
(A- 1 )- 1 = !, es un valor 1.189) y (-3.103). 21. Si D = c- 1AC, entonces,
o bien a(A ~; I )v = O, µ¡
característico de A de modo
33. Av = ílv en donde v -=!= O.
Entonces Av = lo que
vectores característicos correspondientes (
como en el Problema 17,
implica que Av = ~v. Pero 5. De la Ecuación (9),pn:::::a1t1.1v; . . - - - - - - - - - - - - - - - - - i D" = (C- 1AC) X
lo cual implica que 1 (C- 1 AC) .. · (C- 1 AC) =
1
C- Ac=(~ ~i)
que - = ílj para alguna j, o si A es real, entonces
c- 1 Anc de modo que
~1)=0. .
µ¡
1
A = A. Por lo tanto
Av= }:v y v-=!= O de manera
para n grande. Si v 1 = (:),
A"= CDnc- 1•
bien µ¡ = - . Por ello
ílj que Á es un valor 5. 23. Claramente A tiene a e
En consecuencia ~ es un todos los valores característico de A con
sí; ( 2 2 )
como un valor característico
(X

característicos de A - 1 son vector característico v. Aquí

e= -1+3i -1-3i ; de mult. alg. n.
valor característico de A y
1 hemos utilizado el hecho -1 ' (2+3i o ) Consecuentemente si A es
/3;a = -1 j para a l guna 1· y de la forma De manera fácilmente verificable de que de forma que -íl 1x + ky = O C AC = O 2-3i diagonalizable, debe haber

~ ~ ~·) ;
AV= Av. X k una matriz invertible E tal
alternativa, si Av = ílv, y - = -. Por lo tanto
(3¡ = Así que cada
valor característico de aA
entonces v = A - 1 ;\,v de y íl1 7. sí; eJ que E- 1 AE = diag(c,c, ... ,c)
1 X k \ 1 1 1 = cI de manera que A =
es de la forma forma que A- 1 v = v y para n grande. E( cl)E- 1 = e El E- 1 = el.
Pa,n Y 1 o o
Recíprocamente,
elíjase un vector v¡
µ¡ = aíl;, 1 A,
íl es un valor característico
Problemas 6.3
1
C- AC=' O 2
\o o -1
o) 25. Si A y B tienen valores
tal que Av;= Íl;V;. Entonces 1 característicos distintos,
de A- •

-~), G e~\! ~ ~);

(cxA)v; cxíl;v; =µ¡V; de entonces ambos tienen n
modo que µ¡ es un valor Como det(A - íl¡I) =O, 1. sí;e 9. sí; vectores característicos
vemos que det(A 2 - ílf I) =
característico de a A.
det(A ílJ)(A + ílJ) =
4
c- AC (- o º3)
1
linealmente independientes,
o o o y se tiene que
25. det(A - íl¡I) = O y
det A - 1 i= O porque
1
det(A A-J)det{A ílJ) = O.
Por consiguiente, si ílf es un
3. ,
Sl' C= ( 1 1 ).
C- 1 AC=' O 2
\o o 3
o) D 1 = C! 1 AC 1 y Dz =
Ci 1BC 2 •
(A = A existe. Por lo valor característico de A 2 . ' 2-i 2+i '
 460 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR
Respuestas a los problemas de número impar
(i) Si A y B tienen los

=(-O~ +~J2 ~
mismos vectores Como v -=f=. O, esto significa
con Q1 reemplazada por -1
característicos, entonces
C1 C2=C y
D 1
o 1-2J2
) que A.= A de manera que A.
es real.
Qt.
O,
ecuación
lo cual es la
de una recta que 15. (-: =:) 1

u731 (-11+ i
AB = (CD 1 c- 1 ) x pasa por el origen; O -1 -1
(CD2 c- 1 ) = CD1D2 c- 1 = 17. Utilice el Problema 16 7r/4 = 4 5°.
CD2D1c- 1 = (CD 2 c- 1 ) x
(CD 1 C- 1 ) = BA (ya que
7. Q =(-; : t). después de mostrar que a
todo valor característico de
19.

U*AU= (-~ ~)
1+

11. ( 3 -~)C). (;) = 36;

Q
l/J3
~( ¡¡J3 -1/fl
1;J6
11J6) ;
las matrices diagonales del
1 1 mult. alg. k corresponden k -3 o -21J6/
mismo orden siempre
conmutan). . (º
D= O 3o
o o
~º)
vectores característicos
ortonormales. Sea Q
obtenida exactamente como
Problemas 6.5
+ +2z' 2

e~ -~)C)·(~)=5;
(ii) Si BA = AB, sea x un
vector característico de B en la demostración del 1.
que corresponde a A.. 9. Sea u un vector Teorema 3. Recuérdese que
Entonces BAx = ABx = característico que (u, v) = u 1 • v1 + ... 2
A(Jx) = A.Ax por lo que corresponde a A. con 1 u 1 + un · vn. Q1 = ¡¿- 1 y A es
1. Entonces Qu .= A.u y semejante a Q1AQ o Q1AQ. Q=
y = Ax es un vector 1

característico de B l =/u/= /Q- 1 Qu/ = /j21 AQ - I/ =/A - !/;

1 Q AQ =@A)Q
correspondiente a A.. /A.Q- u 1 = /A.Q 1u / = 1A.Qu1 =

( ü\~
Por ello Ax y x son (puesto que Q es simétrica) hipérbola; e= 5.989 = 343º
linealmente dependientes 2 ü1A
IA. u/ = A. 2 /ul = A. 2 . Así que
= Ü; (u u2 , ... , u,)
de modo que
existe un escalar µ con
2
A. = 1 y A.= ± 1.
1,
J• (42 -12) (X) •(1X) = 9;
,y ,y
Ax µx. Pero esto H. 1 = det I = det(Q- 1 Q) =
-1)
( Js::~~ J8:~~~1)=
U¡
demuestra que x es 1
det( Q Q) = (det Q 1)(det Q) =
también un veccor (det Q) 2 - pues det A 1 = - ~;
ü\ * * * 2

característico de A. det A para cualquier matriz

-
( A u,, A u 2 , ... ,A u,). (0.9436 -0.3310} x'
c~-8_ )
= 1·

3
Q= 4 4 0.3310
Consecuentemente todo A. Por consiguiente 0.9436 , c 18+ ) ,
vector característico de + J32-10J41 41 3
B es un vector det Q = ±1 y (~ ~) = Qt Ahora bien
hipérbola; 8=0.3374=19.33º
característico de =
(üL Au 1 ) =
= l:¡(üL U¡)= Á¡ =
A. Un razonamiento
semejante muestra que todo Q'=( dº bº el Problema 15) y
5. (~ DC)·(;)=a>O;
~ de~Q
2

c+JW
vector característico de A es
un vector característico de 1;J2 1;J2)·
(-l!J2 l!J2 ' Q = -J20~2Jl6
t-fil )
J20-2J10 17. 2
:)(:).
e
Q= o
"ho~2f10
Si det Q = 1, entonces e = 1
Au)
l l)
... ü1 n x'2 y'2
Problemas 6.4 -b. Si det Q -1,
··· Ü~ Aun ---=1· ho+2Jlo 1 .
2a 2a '
entonces e b.
= (0.8112 -0.5847)
Q= ~ '
hipérbola; 8=7n/4 315º.
1. Q 11J5) 13. Si la matriz A de 2 x 2 ü~Au 2 ü~Aun 0.5847 0.8112 3y' 2 + 62' 2
3

-21J5 , tiene vectores característicos

7. Igual que en el Problema 5
1
U ¡AU_¡ = AII1¡. uj = Au¡. =o excepto que ahora tenemos 12 2
-~)
5 ortogonales, entonces A es
llj X
D= ( + = l;

3.
o
l;J2 l!J2)
Q = (l!J2 -l!J2 ,
ortogonalmente
diagonalizable, lo que
significa que A es simétrica
por el Teorema 4.
si j -=f=. 1. Ahora (Q 1AQY
Q1Ar(Q1y = Q1AcQ = QtAcQ =
Q1AQ, ya que A1 = A* = A.
En consecuencia Q1AQ es
= una hipérbola con los
papeles de x' y y'
invertidos; como a < O, se
tiene que
e~~)
elipse; e= 0.6245 = 35.78º
19.
(i -1
1
3
3
3
o
-1
_!)(;). (;)
(-: )
hermitiana, lo que significa
(~ ~) (~
1
Sea íl un valor característico que los ceros que están en
=1 13. -7; -2 2
D = (-2a) (-2a). ·
de A con vector el primer renglón de Q1AQ 21. 3 -2
1
característico v y suponga
que A* = A. Entonces
deben corresponder a los o= (5;56 -11v'2.6)
s;J26 ,
-1 -2 6 _;
11J2 )
A.(v, v) =
ceros en la primera l!J26 3
o
5. Q =
( -lºJJ2 7 columna. El resto de la x'2
2

l!h -l~J2 . (A.v, v) =(Av, v) = (v, A*v) =

(v, Av) = (v, A.v) = Á(v, v).
demostración se sigue, como (14/13) (14/13)
1·
(cose
en la del Teorema 3, 23. -sene)(x) =
hipérbola; 8=1.377=78.91º sen 8 cose
y
 462 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR
Respuestas a los problemas de número impar 463

(:~~~: :::~~:) ~ (;) A1X'/ + + ... + A.nx~2 19. (a) Sea x E C 3 un vector fijo d 2 -=!= O; entonces d 2 + A. no

~ ~ ~ ~)
en donde x' = Q'x. 4
lo que no es un vector es un valor característico. o
Entonces la ecuación Si A.; ¿ O para i = 1, 2,
característico. pacto qU:e la Claramente det D-=/= O, 0- 1
cuadrática ... , n, entonces F'(x') ¿ O.
mult. geom. del valor existe, y = diD- 1v2 y A.y = ( o
2
+ bx'y' + cy' 2 Si F'(x') ¿ O entonces A.; ¿ O o o -3 o
\~~
ax'
característico A. es 1, x no es dib- i A.v 2 . Entonces A.v 2 =
se convierte en dado que, si no, hay un A.j
un múltiplo de v 1, en donde v 1 - Av 2 ; A.y= d 1D- 1 x o o o --3
a(x cos (J - y sen8) 2 + con A.i < O. Sea x* el
v 1 es un vector (v 1 - Av 2 ) = d 1 D- 1 v1 - ,.\¡
o o

(
~
~)
b(x cos (J - y sen(]) x vector con ceros en todas d 1 D-i Av 2 . A= D + (d 2 + A.)I.
(x sen (J + y cos 8) + p9siciones excepto en la j-
característico. Entonces x y o 4 o
c(x sen (J + y cos 8) 2 ; y 1 son linealmente A.y= d 1D- 1 v 1 - diV2 -
ésima posición, con un 1 d 1 d 2 D- 1 v2 - d 1 D-iA.v2 =
( o o o 4 o
el término producto de cruz independientes. Sea w =
ésta. Entonces H(x*) = d 1D- 1 vi - d 1D- 1Av2 - \o o o o -3
es -2axy(sen(J cos (J + bxy x c 1v 1 + c2x. Supóngase que

n
[cos 2 (J - sen 2 8] + 2cxy x
A.j <O, lo cual es una
w = (A - A.J)x. Entonces
d 1v2 - did 2 D-iv2 = o o o o -3
contradicción. diD- 1 AV2 - di (v2 + d2 o- iv2)
sene cos (J = xy[ -a sen2(J + Ax - .h = c 1v 1 + c2x. Sea = A.y - di(/+ d 2D- 1)v2.
A1
1 o

(~ o
o

~)
b cos W + e sen 28] = O 29. negativa definida B = A - ( c2 + A.)! de O A1
de manera que modo que Bx = c 1v 1•
Así que O= di 4 o
(e - a)sen W + b cos W =O 31. positiva definida
(/ + d 2 D- 1 )v 2 . di# O, o o 4 o ()
Considere que c2 -=/= O. de otro modo A. + d2 sería 1 o
a e cos W 33. indefinida Entonces A. + c2 no es un
()o o -3 1

ü
y = cot 20. un valor característico y y
sen 35. negativa definida valor característico pues A.
A1 O o o o o -3
un vector característico.
es el único valor O A2
Entonces (d 2 DD- 1 o o
~;)
25. Supóngase que ax 2 + bxy + 37. (i) Si det A =f. O, entonces ni o o
característico. Tenemos
se convierte en A. 1 ni A. 2 son cero. det B = det[A- (A.+ c 2 )/] :f: O.
+ D)v 2 = DO= O. d2 v2 +
o 4 o o
+ b'x'y' + c'y' 2 [A - (d 2 + A.)/]v 2 = O. o 4 o ()
Entonces s- 1 existe, X

ü
Consecuentemente, con d = d 2v2 +(A-Al)v 2 d1V 2 =0, A1 1
por rotación. Sean
O, la Ecuación (22) se c 1B- 1v 1 , y A.x = c 1B- o bien (A - A.I)v 2 =O,
o o -3 1
O A1 o o o
a - a' - transforma en A. 1x' 2 + c1B-1Av1. Puesto que contrario al resultado de la -3

( ª) ( o o
~ A'~ b') A. 2 y' 2 = O. Si ahora A. 1 y A. 2 A = B + (c 2 + A.)I, parte (a). En consecuencia o o o

~)
A b 2 y b' 2 . son positivos o bien A.x=c 1[B- 1B+(c 2 +A.)B- 1]v 1 Aquí los elementos A, no
d 2 = Oy(A-H)y=d 1 v2.
- e e' negativos, entonces la = C1 Vi+ Ci(C2 + A)B- 1v1 = son necesariamente 4 o o
2 2 Sea y = d 1v 3 ; entonces
ecuación se satisface sólo C1Vi + (c 2 +.A.)B- 1Bx = (A H)V3= V2. distintos. Asimismo, los o 4 o o
Existe una matriz ortogonal cuando x = O y y = O. C1V1 + C2X +AX.
(c) Sea e = (v¡, V2, V3) en
grupos pueden permutarse o o -3 1
Q tal que A= QA'Q 1 Éstas son las ecuaciones de Por consiguiente c1v 1 + c2x sobre la diagonal. o o o -3
donde v 1 , v2 , v 3 son como
y Q es también una matriz

(~ H~)
d.os rectas. Si A. 1 y A. 2 tienen = O y c1 c2 = O porque antes y linealmente
de rotación. Por lo tanto signos opuestos, entonces v 1 y x son linealmente Los grupos de Jordan
independientes; entonces
det A = det Q det A' det Q1 = independientes. Esto pueden permutarse a lo
det QQ 1 det A' = det A' ya que
las ecuaciones se convierten c- 1 existe. 27.
largo de la diagonal.
contradice la hipótesis AC = A(v¡, v2 , v3 ) =
b2 en x' = y', previa de que c2 -=/= O y
o o o -4
QQ' =l. Perodet A = ac - (Avi, Av 2 , Av 3 ) = (A.vi. v 1 +

(~ ~ ~ ~o~)
b'2 4 w =(A - AI)x = c 1 v 1 . A.v 2 , ílv 2 + A.v 3 );

(-~oº -~ j ~ ()
y det A' = a'c' las cuales son de nuevo las Sea c 1x = v2 ; entonces
CJ=(VioV2,V3)(~ ~ ~)=
4
Finalmente, dado que A y
ecuaciones de dos rectas. Si (A - AI)v 2 = v1 . () o 3 ()

det A = O, entonces una de (b) Sea y E C 3 con y un o o o -4 31. ()

A' son semejantes, tienen A. 1 o de A. 2 es cero, y la vector característico no
O O A. o o -7 o

( ~ ~ ~ ~~)
los mismos valores (A.v, v 1 + A.v 2 , v2 + A.v 3 ) = AC;
ecuación se transforma en perteneciente a A. y se
así que J = c- 1AC.
() o o o -7
característicos. Pero la suma x = O o bien y = O, cada puede elegir linealmente
o

(
-~
de los valores característicos una de las cuales es la independiente de v2 (ya
1 1 o o 3 o o o
de A es a + e, en tanto 21. C=' O -1 -2).; -7 o o o
que la suma
de los de A' es a' + e'
ecuación de una sola recta. es independiente de v 1 ) de
forma que z = div 2 + d2 y \-1 o -3
o o o
Los grupos de Jordan
-4
o
o
-7
o
o
º)
()

o
1~(~ ~
() -7

!)
no es un vector pueden permutarse a lo
Así que a + e = a' + e'. Problemas 6.6 característico. Escríbase z o o o o -7
largo de la diagonal.

o-~ -¡ _¡ ~)
27. Sean Ai. A. 2 , . . . , A.n los 1. no 3. no 5. sí 7. no como z = (A - AI)y.

29.(H ~ ~ ~)
valores característicos de A. 9. sí 11. no 13. sí Entonces Ay - A.y= d 1 v2 +
Entonces, quitando los 15. I d 2 y. Sea D = A - (d 2 + A.)I Si m = n, entonces Am O
términos de producto de de manera que Dy = d 1 v2 por la definición de índice
cruz, tenemos F(x) = F'(x') = .17. (_~ -~); ]= (~ ~) puesto que Ay - (A.l)y -
d2y = d 1v 2 • Supóngase que
de nulipotencia. Si m > n,
entonces Am = Am-n An =
o o o
o o o
-3
o
()
-3 -7
 464 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR
Respuestas a los problemas de número impar 465

(
-~ 1 o o
o
o
o
-7
o
o
o
-7
o
o
-7
o

o
)
o
o
o
-7
Go 1
t
t;2) =(~ ~ ~)
o o o
(c) A - l no existe
=
(
oo oo o
o o o

=~
º)
-27
dominante. Por consiguiente
A¡ -::f. O para i = 1, 2, ... , n
y det A -::f. O.

o o
G D 2 Ejercicios de repaso Capitulo 6

n
5. (a) p(A)=-A 3 +3A 2 (c) A- 1 -6 111

9(
-7 1 o -3,\ + 1 =o 19 1. 4, -2;
o 500 (eª + e 13 ')
1
X1) (
o
o
-7
o
o
1
-7
o
J) (
~2 = sov'ü.003 (eª 1 - e/31)
en donde a= =e(;' 2t + t 2 /2
o
_,:J
(b) p(A)
3
=-A +3A 2 -3A +I
9. (a) p(A)=(a--,\)
(b) p(A) =(al -A )4
-b o
4
E4= gen { G) };
~ J4
-7 -t 2
-0.03 + vo.0003 = -0.0121 -t-t /2
Los grupos de Jordan E_ 2 =gen{G)}
Y "= -o.03-vo.0003 = 2 O -e
pueden permutarse a lo t t /2
-0.0473
t'/2) o o -d
largo de la diagonal.
15. (a) (X,Í)
X2
= (
-b
0 l)(X1)
-a x
25. e"(¡ o
1

o o
1
t t2/2
t
o o
o o
o
3. 1, 7, -5;

E,= gen {CDl

Problemas 6. 7 2 1
(b) det(-,1, 1 ) o o
te-4c (t2/2k4t
1 (5e- 4c+2e 3 c 2e-4r -2e3r) o o
1. -
-b -a - A.

e"
e-41 te-41
o o (D}
D -G -~ ~)
7 5e- 4r -5e 31 2e-41 + 5e31
2
= A. + aA. + bA. 27. E,= gen {
de forma que o o e-41
(c) A -i
2 sent+cos t -sent ) p(A.) = A. 2 + aA. + b =O. o o o
3 -b/a 2 cb/a 3
W))
4
( -bcd/a )
· 5sent -2sent+cost 17. (1+5t)e-3r 19. ~esi +l_fe-21 1/a -c/a 2 cd/a 3 E_,= gen
S. e- c(l -7t 3

7t
-7t )
1+7t
21. Por el Problema 20, N~
para k ;:::; 3. Por tanto
eN 3t = l + N 3 t +
= O Problemas 6.8

1. (a) p(A)=A 2+A-12=0·

+G ~ o
U. IA.1$7
O
o
1/a
o
-d/a 2
l/a 5. 1, 3, 3+J2i, 3-J2i;

7. ,(l-7t-7t
y Re A ;?:Jt
(b) p(A)=A 2 +A-12I'

=(~ ~ D
e_ 5 7t )
13. IAl$10.5 y -10.5$

1
4e - 3e 21 + 6te 21
1 21
1+7t
N~ ~2 = (° º)
O 1 O
o o 1
= (145 112) Re A $5.75
15. Dado que A es simétrica los

-~H- ~ -1~)
1
9.
(
e -e +2te 2'
1
-3e +3e 21 -4te 21 +(=: valores característicos de A
son reales. Entonces, por el
1 2
-12e +12e c-6te 21 6te 2 c )
-3ec + 4e - 2te 21
21
2te 21
+ o ot (°o o oº) (°oo ooo i)
t +
= (~ ~) 7. (a) p(A)=-A 3 +6A 2
Teorema de Gershgorin
A. =Re A.;?:
4-(2+ 1+1)
E 3 =gen

ttl)
1 2
9e -9e t +4te 21 -4te 21 +e 21 +18A+9=0 17. (a) F(A)=B 0 Co+BoC1A
H. x(t) = = (1o 1 o.
(c) A _1 =~
12 -5 2
(-1 -2) (b)
9I
3
= -A +6A
2
+B1CoA.
-er _ le4r -et+ e4t) o o 1 3
-(1~~ 1~;
( - 2et + 2e4t 2
3. (a) p(A)=-A +4A -3A·
- 2et - e4t
(b) p(A) =-A 3 +4A 2 -Ú =
x (xi(O)), lo cual conduce a
23. De 6.6.20, e= 168 204

X1(t)
Xz(O)
= t[(x 1 (0) + x 2(0)e 1
+ (2x 1 (0) - xz(O))e4i:J
(
o
1
1 2 o1)
1

1
o
y J= =-(-! ~~ -~) 72
162
E3-J2; = gen

114

( -~1 -~1
füx1(0) + x 2 (0))

+~
= -12
1) -1~)
+ (2x 1(0)- x 2 (0))e 31]e1 o 7. C=

~~ 1~;)
de manera 24 4 -1
Si 2x 1 (O) < x 2 (0), entonces
la primera población se que eAt =
-1
c--leJtc
-12
90 54
19. det A · · · íln. Si det A 1
C- AC= (~
= O, entonces íli = O para
º)
~ ~ -:)e-e
+~
extinguirá cuando alguna i. Pero 1 íl¡ - aii 1 :::; r¡
x 1 (0) + xz(O) =
2 [x (0) - = (
-3
6 -3 o por lo que 10 - a¡¡I = laiil :::; r¡,
o -1- -1+
2x 1 (O)]e 31 , o bien -3 3 9 lo cual es imposible pues 9. C= 1
-1 1 -1
o es en rigor diagonalmente
466 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR Respuestas a los problemas de número impar 461

c- 1 AC=
Cº D
11. es no diagonalizable
O
o o
i
5. 0.77777777 X 10°
7. 0.77272727X10 1
9. -0.18833333 X 102
11. 0.23705963X109
iteraciones). La solución
exacta es (3, -1).
9. Jacobi: x 1 = 1..9999, x2 =
-2.988, X3 = 7 .0146 (7
tiene el valor
característico 1; así
por el Teorema 2(i),
las iteraciones de
y los de (D + L)- 1 U son O
be
y - -- . Estos son todos
ad
menores que uno en valor
p, ¡ < 1,. lo cual significa
que r[D- 1 (L + U)] < l.

Problemas 7.4
1:~1 < l.
iteraciones). Gauss-Seidel: Jacobino
13. 0.83742 X 10- 20
c¡,/2 º 11./2 X¡ = -1.9975, X2 = convergen. absoluto si y sólo si
G) c~. 5 )
13. Q = 11./2 o
o 1
-1/:2); 15.
17.
=0.1, 8, =0.0002
Ba

Ea=0.005, 8, = 0.04
-2.9993, X3 = 6.999 (6
iteraciones). La solución
(ii) (D + L)- U
1

19. v- 1
(L + U)
1. -4, 3. -6.3,

Q'AQ~(~
o 19. ~a= 0.00333 ... ,
B, = 0.57143 X 10-
3
exacta es (-2, -3, 7).
11. Jacobi: x 1 -8.2863, x 2
= =(-;=; ~o)' o o
\
s. 8, (º·D
-3
o D 21. Sa = 1,
e, =0.1419144X 10-4
14.386, X3 = -0.10281 (13
iteraciones) Gauss-Seidel:
2

cuyo polinomio
2

7. (a) .A= 8.5559 (sin

e -~}
1 X¡ -8.2989, X2 = 14.399, característico es normalización);
o o Problemas 1.'l x 3 = -0.10025 (7 iteraciones). -.A(.A 2+~.A +~)=o 8, = 0.00051427
15. C= con raíces O, {5 ±
o 1 o o ' 1. X1 = 1.5, X2 = -0.800002
La solución exacta es (b) A= 2+ffi = 8.5574.
(-8.3' 14.4, -0.1). f7i)/16. El error relativo real
-1 -1 -1 2 (el valor real es -0.8), x 3
13. (a) la,il=l Y o o es 0.00017979.

e º) G)
-3.7.
J(5 + ~i)/161
ann
o la12I + la13I = la21I + Ja23l 9. Comenzando con = Y
= 1(5-~i)/161
Xo
o o 3. X1 = -0.000001, X2 =
-1
C'AC~ ~
~~'
2.61001, x 3 4.3. La = la31I + la32I a13
.J (-fu)2 + (.J7 /16)2 ª12
o 3 o
o o 3/
solución exacta es
(O, -2.6.1, 4.3).
= 1;

por lo tanto Jaii 1 =

i=l
3

I Ja,¡ 1
=0.3536.
En consecuencia,
X .
o a23

an3
ª')
a2n

o
sin normalización, obtenemos

G} (~} (=~). (=~). G),

5. (a) con pivoteo: x 1 = 5.99, an2

17. = 1: X2 = -2, X3 = 3.99

de modo que a¡¡:}
j.Pi
3

L Jaiil
r[(D + L)- 1 U]::::::
0.35 < 1 y, por el
anl
G}... Esto es, el método
(b) sin pivoteo: x 1 = 6, x 2 = ª12 ª13 aln
elipse -2 y X3 = 4 (Sí, a
i=l
j#i Teorema 2(ii), las o no converge. Nótese que los
ª11 ª11 ª11 valores característicos de A
veces es mejor seguir la (b) Jacobi iteraciones de Gauss-
Seidel convergen. a23 a2n son ±i, ambos con un valor
ruta más simple. En el n
(n)
X¡ x~n) x~n) ª21
o absoluto de l. Esto es, A
= 1: hipérbola Problema 6, con el 15. Si A es diagonal, entonces ª22 ª22 ª22
no tiene un valor
pivoteo se obtienen o 0.8 0.8 0.8 L = U = O. Entonces característico dominante.
:n. 2
4x' -3y' 2
respuestas mucho más 1 1.2 1.2 1.2 r[D- 1 (L+U)]

(2 -1)o .' o
exactas.) Los errores 2 0.8 0.8 0.8 = r(O) =O, y r[(D+L)- U]
1
anl ªn2 an3 11. El segundo valor
Z3
. C= ¡ relativos con pivoteo son 3 1.2 1.2 1.2 = r(DO) = r(O) = O. ann ann ann característico es A2 3.
4 0.8 0.8 0.8
= 0.0017, O, y
c-1AC (-2 1) ~ (~ ~} L = (~ ~}
= 5 1.2 1.2 1.2 Como A es en forma 13. Los otros valores
0.0025.
o -2 (c) Gauss-Seidel
17. D Y estricta diagonalmente característicos son -2 y 1.
7. Una solución con dominante, la11I > laul +
-e 1 +ze- 1 2e 1 -2e- 1 ) redondeo a 3 cifras n (n)

25. ( -e t + e - t 2 e t -e -t
X¡
de modo que la13 I + · · · + la1nl· Así, Ejercicios de repaso ' Capitulo 1
l::;I + 1::: 1+1:~: 1<
significativas es x 1
1050 y x 2 -1000. La o 0.8 0.8 0.8 1
1. Ea = 0.02, B, = 0.002857
27. 1 1.2 1 0.9
e _1 (cos 2 t - sen 2 t -- 2 sen 2 t ) solución exacta es x 1 =
1204 y X2 = _1s10300 = 2 1.05 1.025 0.9625 Un hecho similar se verifica J. Ba = 3¿0 0.003333. • •, Br =
sen2t cos 2t +sen2t 3 1.0063 1.0156 0.98905 en todo renglón de 0.25
-1154 Los errores relativos 4 0.99768 v- 1(L + U). Por tanto, por
son 0.1465 :::::: 150/o y
5 0.99777
1.0066
1.0022
0.99786
1 el Teorema de Gershgorin, 1 -2 3)
0.1333 """ 13%.
Problemas 7.3
6
7
8
0.99890
0.99955
0.99985
1.0006
1.0001
0.99998
1.0003
1.0002
1.0001
todos los valores
característicos de
5.
(oo o 1 -~
1
1. sí 3. no 5. sí v- 1(L + U) están situados
Capítulo 7 en círculos centrados en el
7. X1=7.11004, X2=
Problemas 1.1 7. Jacobi: x 1 = 2.9757, x 2 = (d) (i) D- 1 (L +U) -2.39005, X3 = -5.92009
1
origen con radios menores La solución exacta es

(° D,
-0.9919 (8 iteraciones) Los valores característicfr!c que 1. Esto significa que si (7.11, -2.39, 5.92).
1. 0.33333333 X 10° Gauss-Seidel: x 1 = 3.0041, o la cual ,1. es un valor característico
3. -0.35 X 10- 4 -1.0025, (5 = : de v- 1 (L+ U) son± ~-;;d'
X2 1
2 de D- 1 (L + U), entonces 9. no
 Respuestas a los problemas de número impar 469
468 RESPUESTAS A LOS PROBLEMAS DE NÚMERO IMPAR

entonces zn = rneine,? = (cose +sen e)k+ 1 = (cose +

11. Jacobi: X1 = -0.34008, x 2 = =(A1+A2+ · · · +Ak)' + ... + ª1 z + ªº =?
rne-ine, z = re-w, y zn = i sen tJ)k(cos e + i sene)=
0.260018, X3 = 0.509983 + A~~ 1 (usando el caso + an - 1 zn- 1 + ... + a 1 z + ªº rne-ine = ?. (cos k(J + i senk8) x
(12 iteraciones) Gauss-Seidel: n = 2) . (puesto que los elementos a¡ (cose+ i sen8) =
X1 -0.340001, X2 = 0.26, 1
=(A 1 +A~+
1
···+A~) son reales) = 43. Como (cos 8 + i sen8) = [cos k8 cose - senke sene]+
x 3 =0.51 (7 iteraciones). La
solución exacta es
1-(k + l)ak + kak+i + (k + l)ak
-2(k + l)ak+i + (k + l)ak +2
+A~+1 ªº
z" + an - 1 zn - 1 + ... + a 1 z + e e,
cos 1 . + i sen 1. i[senk8 cose+ cos ke sene]=
(utL.Lando el caso n k) la fórmula de De Moivre se cos(k8 + 8) + i sen (k8 + 8) =
(-0.34, 0.26, 0.51). = p(z) = O. Aquí hemos
=A~ +A~+··· +A~ verifica para n = 1. cos(k + 1)8 + isen(k + 1)8,
empleado el hecho de que
+A~+1 lo cual es la fórmula de De
1-(k +2)ak+t +(k + l)ak+ 2
(_~) ~ra cualquier entero k, Considere que es válida
13. -8, 15. A2 = 3 lo que es el resultado para para n = k. Esto es, Moivre paran = k + l.
(1- a)2 2 k = zk. Esto se deduce
n=k+1. e
(cos + i senet = cos k8 +
fácilmente si expresamos z
lo que es el resultado para en forma polar. Si z = re¡º, i sen k8. Entonces
Apéndice 1 n=k+l.
Apéndice R
3
5. Un polinomio de primer
1. Sin=l, 1 grado tiene la forma 1. 9-7i 3. 2 5. -27+5i
p ( x) = ax + b con a =F O y 7. s.J2e'<"'14 l
1.4
4 = 1 de modo que el x -b/ a es la solución 9. 3.J2e'<7-rrl4l = 3.J2e-i<"'14 l
única de p(x) = O. Por 11. 6e'<"'16 l
resultado es válido para
consiguiente, un polinomio 13. 8e'<11"'16l = 8e-Í('!T/6l
n = 1. Supóngase que se
de primer grado tiene
verifica para n = k. 15. 2e'(41T/3l = 2e-;c21T/3l
exactamente una raíz, y se
Entonces 13 + 2 3 + 33 +
demuestra el resultado 17. -2 19. -./2/4-i(./2/4)
. . . + k 3 + ( k + 1) 3
general utilizando inducción 21. -2J3+2i
k2(k + 1) 2
4 +(k + 1)3 matemática sobre el grado 23. -~-~J3i
del polinomio. El resultado 25. cos 1 + i sen 1
1)2[~ +(k+1) J
2
es cierto para n = 1, y lo =0.5403+0.8415i
= (k +
suponemos verdadero para 27. 4-6i 29. 7i
n = k. Sea p(x) un
31. 2e-;<.,,.m 33. 3e'<4"'111J
[k2+4(k + l)J polinomio de grado k + 1.
4
Por hipótesis, p(x) = O 35. Si z = z, entonces ex + i(3
tiene por lo menos una = ex - i(3, o bien i(3 = -i(3,
solución x 0 • Entonces p ( x) lo cual es posible si y sólo
(x - x 0 )q(x) en donde q(x) si (3 = O de manera que z
4 es un polinomio de grado es real. Si z es real,
lo que constituye el k. Por la hipótesis entonces z = ex = z.
resultado para n = k + 1. de inducción q(x) tiene k 37. z2 = (a + i/J)(a - i/3) = a2 _
raíces x 1, x 2 , ••• , xk. (i2 /32) = l)'.2 + 132 = 1z12
1 + la2 Es decir, q(x) = 39. El lugar geométrico de los
3. Para n l, · - - - - - - - (X X¡ )(X - X2) · · · (X - Xn). puntos que están sobre una
l -2a + a 2 (1- a)2 Pero entonces, circunferencia en el plano
a)2
= (1 evidentemente, x 0 , x 1, x 2 , complejo, con centro en z0
así que el resultado se ... , xk son k + 1 y radio a. Si z0 = x 0 + iy0 ,
cumple para n 1. soluciones de la ecuación entonces, en las
Supóngase que es válido p(x) = O. En consecuencia, coordenadas x y y, se trata
para n = k. Entonces p(x) tiene k + 1 raíces y el de una circunferencia cuya
1+2a+3a 2 + · · · resultado se demuestra para ecuación es ( x - x 0 ) 2 +
+ kak-l + (k + l)ak n=k+l. (y - Yo)2 = a2.
l-(k + l)ak + kak+i 7. Yaque(A+BY=A 1 +B\ 41. Supóngase que p(z)
(1- a)2 +(k + l)ak el resultado es cierto para zn + an - 1 zn - 1 + . . . + a 1 z +
n = 2. Suponemos que se a0 O. Entonces
l -(k + l)ak + kak+I
cumple para n = k.
+ (k + l)ak(l - a)2 + ··· + a 1 z +a 0
Entonces
(A1 +A2+ · · · +Ak +Ak+S
 ~
•
In 1

Adición, C' [O, 1], 188 Complejo, (continuación)

de matrices, 16
de vectores, 10, 11
Adjunta de una matriz, 123
Álgebra, teorema fundamental
del, 313
Algebraica, multiplicidad, 315
Ángulo entre,
dos planos, 17 4
vectores, 144
Anticonmutativa, propiedad, del
producto vectorial, 160
Antisimétrica,
ley, 264
matriz, 74, 115
Argumento de un número
complejo, 422
Asociativa, ley
para adición de matrices, 17
para adición de vectores,
12, 180
para multiplicación de
matrices, 24
para multiplicación por un
escalar, 180
Aumentada, matriz, 33, 36
Base, 141, 207, 267
cambio de, 232 y sgtes.
canónica, 207
prueba de la existencia, 264
y sgtes.
C[O, 1], 182
e [a,b], 256
C (n-i) [O, 1], 200 conjugado, 421
en, 183, 256 forma cartesiana, 420
Cadena, 265 forma polar, 423
Característico{a) magnitud, 422
ecuación, 313 parte imaginaria, 420
polinomio, 313 parte real, 420
valor, 311 Complejo, plano, 421
vector, 311 Componente,
Cartesiana, forma, de un de u en la dirección de v,
número complejo, 420 147' 157' 158
Cauchy-Schwartz, desigualdad de un vector, 8, 137
de, 255, 263 de una matriz, 15
Cayley, Arthur, 16, 374 Cónica degradada
Cayley-Hamilton, (o degenerada), 350
teorema de, 374 Cónicas, secciones, 348
Cero, Conjugado de un número
dimensión, 210 complejo, 421
ecuación, 41 Conjunto
matriz, 15 ordenado, 7
solución, 48 potencia, 265
transformación, 276 Conmutativa, ley
vector, 8, 137 para adición de matrices, 17
Cerrado, para adición de vectores,
ante la adición, 180 13, 180
ante la multiplicación por para producto escalar, 20
escalar, 180 Consistente, sistema de
Circunferencia, 330 ecuaciones, 42
Coeficientes, matriz de, 33, 39 Contacto,
Cofactor(es), 98 directo, matriz de, 23
desarrollo por, 99 indirecto, matriz de, 23, 24
Columna, 387 Convergencia (numérica), 385
de una matriz, 14 Coordenado cartesiano,
Complejo, número, 10, 419 sistema, 151
y sgtes. Coordenados, planos, 151
argumento, 422 Coplanares, vectores, 174, 175
 472 ÍNDICE
Cosenos, ley de los, 132, 144
Cota superior, 265
Cramer, Gabriel, 129
Cramer, regla de, 129
Cuadrada, matriz, 15
Cuadrática,
ecuación, 345
forma, 345
indefinida, 353
Cuádricas, superficies, 351
Cuaterniones (o cuaternios), 6
De Moivre, Abraham, 425
De Moivre, fórmula de, 425
Deflación, 408
Depredador-presa, modelo,
368, 369
Desarrollo por cofactor, 117
Descomposición de un vector
251 , relativo, 385
Determinante(s), 95 y sgtes.
de un sistema 2 x 2, 4
de una matriz 2 x 2, 59
de una matriz 3 x 3, 95, 96
de una matriz n x n, 99
de una matriz triangular,
100, 101
de Vandermonde, 116
-Diagonal
estrictamente dominante 398
principal, 54 ' por un conjunto de
Dígitos significativos, 383
Dimensión, 210
Dirección de un vector 137, 153
Directores, ' axiomas, 180
ángulos, 154
cosenos, 154
números, 154
Distancia de un punto a una
recta, 5
Distributiva, ley
para multiplicación de
matrices, 25
para multiplicación por
escalar, 17
para producto escalar, 21
para producto vectorial, 61
eA, 364
Ecuación( es) diferencial( es),
185, 362
de segundo orden, 372
solución principal, 365
matricial, 365
lineales de primer orden,
sistema de, 363
Ecuación(es) diferencial(es),
(continuación)
sistema de, 363
Ecuaciones canónicas o normales
de una cónica, 348
Eje x, 150, 170
Eje y, 150, 170
Eje Z, 150, 170
Ejes principales, teorema de los
• 347
Elección, axioma de, 268
Elipse, 348
Elipsoide, 351
Equilibrio, 371
Error,
absoluto, 384, 385
acumulado, 384
de área, 261
máximo, 261
cuadrático medio, 261
Escalar, 11
Espacio,
característico, 313
de columnas de una
matriz, 217
de renglones de una
matriz, 217
Espacio generado
de un espacio vectorial, 201
vectores, 203
Espacio solución, 212
Espacio vectorial, 179 y sgtes.
base para un, 141, 207
complejo, 180
con producto interior, 257
dimensión de un, 210
finito-dimensional, 210
infinito-dimensional, 210
real, 180
subespacio de un, 186
trivial, 180
Estabilidad (numérica), 385
Estrictamente dominante en la
diagonal, matriz, 380, 397
Euler, Leonhard, 423
Euler, fórmula de, 423
Exponente, 383
Fermat, Pierre de, 415
Fourier, series de, 259
Función vectorial, 363
Gauss, Car! Friedrick (reseña
biográfica), 34, 35
Gauss-Jordan, eliminación de ·
34, 40 ' Isomorfos, espacios
Gauss-Seidel, método iterativo
de, 393, 395·
Gaussiana, eliminación, 40
con pivoteo completo, 388
con pivoteo parcial, 387
Gershgorin, S., 377
círculos de, 377
,
teorema del círculo de
377, 378 ' método de, 412
Grafo, 19 - método iterativo de, 394
Gram, Jorgen Pederson, 244
Gram-Schmidt, proceso de
ortonormalización de, 244
Hamilton, sir William Rowan
. (:eseña biográfica), 6, 7
Herm1t1ana, matriz, 310 341
Hipérbola, 348 '
Hiperplano, 189
Homogéneo, sistema de
ecuaciones, 48
asociado, 51
espacio de soluciones, 212
Homo&éneo asociado, sistema,
51, 52
Idempotente, 116
Identidad. Ver también neutro
aditiva, 180
matriz, 54
multiplicativa, 180
operador, 276
transformación 276
Imagen · '
de un vector, 283, 284
de una matriz, 217
de una transformación lineal
283 ' 275
Imaginario, número, 34, 419
puro, 344, 421
Inconsistente, si:;tema de
ecuaciones, 42
Inducción matemática, 393 y
sgtes. · 299
Inversa de una matriz, 55
derecha, 85
izquierda, 85
Inversa
derecha, 85
izquierda, 85
Invertible, matriz, 55
Isometría, 306, 207
Isomorfismos, 301
vectoriales, 301
isométricamente, 307
Iteración, 393
Jacobi, Car/ Gustav Jacob
(reseña biográfica), 394
Jacobi
Jordan
forma canónica de, 357
matriz de, 356
matriz de bloques de, 355
Jordan, Camille, 32
Kelvin, Lord William
Thomson, 7
Kernel. Ver también núcleo
de una matriz o espacio nulo,
212, 216
de una transformación lineal,
283
Legendre, polinomio
normalizado de, 263
Leontief
matriz de, 64
modelo de insumo-producto,
42
Leontief, Wassily, 42
Lineal
combinación, 141, 200, 267
dependencia, 190
función, 275
independencia, 190, 266, 267
operador, 275
transformación, 273 y sgtes.,
nulidad, 285
imagen, 284
kernel (o núcleo), 283
sobre (o suprayectiva), 300
uno a uno (o biyectiva),
representación matricial,
287
rango, 285
Longitud de un vector, 137, 243
MacLaurin, Colin, 129
Magnitud
de un número complejo, 422
de un vector, 136
Índice 473
Mal condicionadas, matrices, 391 Matriz (continuación)
Mantisa, 383 rango de una, 217
Matrices reducida, 38
adición de, 16 renglón de una, 14
equivalentes por renglones (o simétrica, 73
filas), 63 transpuesta de una, 72
equivalentes, 328 traza de una, 263
iguales, 15 triangular inferior, 70, 99
multiplicación por un escalar, triangular superior, 70, 99
16 triangular, 70, 99, 100
ortogonalmente equivalentes, unitaria, 264, 310, 341
344 valor característico de una,
producto de dos, 21 311
Matrices equivalentes por vector característico de una,
renglones, 163 311
Matriz Maximal, elemento, 265
adjunta de una, 123 Menor, 97
antisimétrica, 74, 115 de segundo orden, 118
aumentada, 33
Mm n• 182
cofactor de una, 98 MuÍtiplicación por un escalar,
columna de una, 14 de matrices, 16
componente de una, 15 de vectores, 11
cuadrada, 15 Multiplicidad,
de Jordan, 355 algebraica, 315
de Leontief, 64 geométrica, 320
de bloques de Jordan, 355
de coeficientes, 33, 39
Negativa,
de contactos directos, 23, 24
de probabilidad, 29 definida, 353
de tecnología, 64 semidefinida, 353
de transformación, 288, 295 Neutro
de transición, 234 aditivo, 180
de una rotación, 280 multiplicativo, 180
diagonal de una, 54 Newton, método de, 393
diagonal, 70, 99, 100 No triviales, .soluciones, 48
diagonalizable, 330 Norma
ortogonalmente, 338 de un vector, 243, 257
eA, 364 de una matriz, 364
elemental, 75 teorema de aproximación en,
espacio de columnas, 217 252, 260
espacio de renglones, 217 Núcleo (o kernel), 212, 216, 283
estrictamente dominante en la Nulidad, 216
diagonal, 380, 397 de una matriz, 216
forma escalonada, 38 de una transformación lineal,
hermitiana, 310, 341 285
idempotente, 116 Nulipotencia, índice de, 361
identidad, 54
imagen de una, 217
inversa de una, 55 Operaciones elementales sobre
invertible, 55 renglones, 35
mal condicionada, 391 Operador
norma de una, 364 diferencial, 278
nula o cero, 15 integral, 278
nulidad de una, 216 transpuesto, 278
nulipotente, 361 Ordenación
ortogonal, 115, 247, 306 parcial, 264
ortogonalmente total, 265
diagonalizable, 338 Origen, 150
 Índice

414 ÍNDICE
Vectores (continuación)
Valor característico, 11 Vector, 6 y sgtes. 1ccmt,murac.inn
recta, 166 linealmente
Ortogonal( es), Punto Sistema de ecuaciones dominante, 404 independientes, 141
complemento, 199, 250 260 flotante lineales, 31 multiplicidad algebraica, función vectorial, 363
longitud de un, 137, 243 multiplicación por un
conjunto de vectores, 243 aritmética en, 383 consistente, 42 315, 318 escalar, 179
matriz, 115, 247, 306 número en, 383 equivalente, 4 multiplicidad geométrica, 320 magnitud de un, 137
norma de un, 243 ortogonales, 28, 146, 156
planos, 173 inicial, 136 homogéneo, 48 Valor inicial, 362 ortonormales, 243, 258
proyección, 248, 259 terminal, 136 inconsistente, 42 Vandermonde, A. T., 116 normal, 168
producto vectorial, 159 paralelos, 145, 156
transformación de Solución de un sistema de Vandermonde, determinante perpendiculares, 146
proyección, 277 ecuaciones, 2 de, 116 propio, 312
proyección de un, 147, 157 producto escalar (punto) de
vectores, 28, 146, 156, 257, 258 Subdeterminante de Vector característico, 311 dos, 19, 20, 143
IR 2 , 10, 135 punto inicial de un, 136
Ortonormal, conjunto, de orden k, 229 dominante, 404 producto vectorial (cruz) de
IR 3 , 10, 150 punto terminal de un, 136
vectores, 243, 258 Subespacio, generalizado, 358 dos, 159
IRn, 171 renglón, 7
propio, 186 Vector, 6 y sgtes. Vectores perpendiculares, 146
Rango rer1res;erntación de un, 136
trivial, 186 característico, 311
P [O, 1], 211 de una matriz, 217 141, 153
Submatriz, 229 cero, 7, 137
Pn[O, 1], 188 de una transformación vector-n, 7
cuadrada k, 229 columna, 7 Whitehead, Alfred North, 419
Pn, 182 lineal, 285 Vectores
Sustitución hacia atrás, 40 componentes de un, 7, 8, 137 Wronski, J.M.H., 200
Paralelos vectores, 145, 156 Realimentación adición de, 10
Sylvester, James Joseph, 14 de demanda, 20 Wronskiano, 200
Parseval, igualdad de, 255 (retroalimenfación), 315 ángulo entre dos, 144
de materias primas, 274
Pendiente de una recta 1 Recta coplanares, 175
de precios, 20
Pivote (o apoyo), 387 ' ecuación paramétrica de producción, 274 en el espacio, 150 y sgtes.
Tasa relativa de crecimiento, 362 Zorn, Max A., 268
columna, 387 de una, 166 en el plano, 135 y sgtes.
Teorema Resumen, 4, 67, 79, dirección de un, 137 Zorn, lema de, 268
Plano(s), 169 ecuación vectorial ecuación vectorial de una igualdad de, 10
127, 195, 225, 301
ángulo entre dos 174 de una, 166
Transformación
coordenados, 15 i ecuaciones simétricas
de una, 166
cero, 276, 284
ortogonales, 173 de equivalencia, 328
paralelos, 171 en el espacio
de rotación, 277
perpendiculares, 173 (tridimensional) 165
línea, 2 ' identidad, 276, 284
representación paramétrica de proyección ortogonal, 277
un, 174 pendiente de una, 1
mversa, 304
xy, 150, 170 Rectangular, sistema
sobre, 300
xz, 150, 170 coordenado, 151
uno a uno, 299
yz, 150, 170 Rectas
matriz de, 288
Positiva paralelas, 2
con respecto a la
definida, 353 perpendiculares, 1
base B, 295
semidefinida, 353 Y planos en el espacio, 165
Transición, matriz de, 234
Potencia, método de la, 404 y sgtes.
con normalización, 407 Redondeo, 384
Probabilidad, error de, 384
matriz de, 29 Reflexiva, ley, 264
72
Producto Renglón de una matriz 14
Renglones ' -~·""""'"'"-""' de una matriz,
cruz, 159 341
magnitud del, 154 notación para, 35
Tríada ordenada, 150
de matrices, 21 reducción por, 35
Triangular inferior
escalar de dos vectores, 19, 14 3 Representación matricial de una
matriz, 69, 99
escalar triple, 161 transformación lineal 287
Rotación, transformación ' parte de una matriz 399
interior, 257
de, 277
Tr~ángulo, desigualdad' del, 140
espacio de, 257 Tnple
punto, 20, 144 producto escalar, 161
vectorial, 159 producto vectorial 165
Propio, Schmidt, Erhardt, 244 Trivial, '
subespacio, 186 Segmento dirigido, 135, 152 espacio vectorial 180
valor, 311 equivalente, 136, 152 solución, 48 '
vector, 311 Seidel, P.L. V., 393 subespacio, 186
Proyección, 147 Simbiosis, modelo de, 370 Truncamiento, 384
de un vector, 147 Simétrica, matriz, 73
en IR 2 , 14 Sistema
en IR 3 , 15 de mano derecha, 150 Unitaria, matriz, 264
teorema de la, 251, 260 de mano izquierda, 150 Unitario, vector, 141, 153